Élaguer l'arbre avec des probabilités préalables modifiées

Dans la vidéo, vous avez vu qu'élaguer un arbre est essentiel pour éviter le surapprentissage. Les exercices précédents contenaient de grands arbres. Vous allez maintenant mettre en pratique ce que vous avez appris en élaguant l'arbre construit précédemment avec des probabilités préalables modifiées. Le paquet rpart est déjà chargé dans votre espace de travail.

Vous commencerez par fixer une graine pour assurer la reproductibilité des résultats, comme mentionné dans la vidéo, puisque vous examinerez les erreurs issues de la validation croisée. Ces résultats comportent une part d'aléatoire et peuvent légèrement varier si vous exécutez la fonction avec une autre graine.

Dans cet exercice, vous apprendrez à déterminer quel paramètre de complexité (CP) minimise l'erreur de validation croisée, puis à élaguer votre arbre en fonction de cette valeur.

Cette activité fait partie du cours

Modélisation du risque de crédit en R

Voir le cours

Instructions de l’exercice

tree_prior est chargé dans votre espace de travail.
Utilisez plotcp() pour visualiser l'erreur validée croisée (X-val Relative Error) en fonction du paramètre de complexité pour tree_prior.
Utilisez printcp() pour afficher un tableau d'information sur le CP, les divisions (splits) et les erreurs. Voyez si vous pouvez repérer quelle division présente l'erreur validée croisée minimale dans tree_prior.
Utilisez which.min() pour identifier quelle ligne de tree_prior$cptable a l'erreur validée croisée minimale "xerror". Assignez-la à index.
Créez tree_min en sélectionnant, dans la colonne "CP", l'index de tree_prior$cptable.
Utilisez la fonction prune() pour obtenir l'arbre élagué. Nommez l'arbre élagué ptree_prior.
Le paquet rpart.plot est chargé dans votre espace de travail. Tracez l'arbre élagué avec la fonction prp() (paramètres par défaut).

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# tree_prior is loaded in your workspace

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


# Use printcp() to identify for which complexity parameter the cross-validated error rate is minimized.


# Create an index for of the row with the minimum xerror
index <- which.min(___$___[ , "xerror"])

# Create tree_min
tree_min <- tree_prior$cptable[index, "CP"]

#  Prune the tree using tree_min
ptree_prior <- prune(___, cp = ___)

# Use prp() to plot the pruned tree

Modifier et exécuter le code