Élaguer l'arbre avec la matrice de pertes

Dans cet exercice, vous allez élaguer l'arbre construit au moyen d'une matrice de pertes afin de pénaliser davantage les défauts mal classés que les non‑défauts mal classés.

Cette activité fait partie du cours

Modélisation du risque de crédit en R

Voir le cours

Instructions de l’exercice

Exécutez le code pour fixer une graine et reconstruire tree_loss_matrix.
Utilisez la fonction plotcp() pour examiner la structure de l'erreur validée croisée.
En regardant le graphique de cp, vous remarquerez qu'élaguer l'arbre en utilisant l'erreur validée croisée minimale mènera à un arbre aussi grand que l'arbre non élagué, puisque l'erreur validée croisée atteint son minimum pour cp = 0.001. Comme vous souhaitez obtenir un arbre un peu plus petit, essayez de l'élaguer avec cp = 0.0012788. Pour ce paramètre de complexité, l'erreur validée croisée se rapproche de l'erreur minimale observée. Nommez l'arbre élagué ptree_loss_matrix.
Le paquet rpart.plot est chargé dans votre espace de travail. Tracez l'arbre élagué avec la fonction prp() (en incluant l'argument extra = 1).

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# set a seed and run the code to construct the tree with the loss matrix again
set.seed(345)
tree_loss_matrix  <- rpart(loan_status ~ ., method = "class", data = training_set,
                           parms = list(loss=matrix(c(0, 10, 1, 0), ncol = 2)),
                           control = rpart.control(cp = 0.001))

# Plot the cross-validated error rate as a function of the complexity parameter


# Prune the tree using cp = 0.0012788


# Use prp() and argument extra = 1 to plot the pruned tree

Modifier et exécuter le code