Créez votre propre modèle de détection
Combinons les outils vus dans ce chapitre. L'ensemble de données sur les virements utilisés dans les exercices précédents a été scindé en un ensemble d'entraînement et un ensemble de test avec le même déséquilibre des classes. Ensuite, SMOTE a été appliqué sur l'ensemble d'entraînement. Vous allez entraîner un arbre de classification sur l'ensemble d'entraînement original déséquilibré et sur l'ensemble d'entraînement rééquilibré. Enfin, vous comparerez les deux modèles sur le même ensemble de test.
Les bibliothèques rpart et caret sont déjà chargées dans votre espace de travail. N'hésitez pas à consulter le diaporama pour compléter cet exercice.
Cette activité fait partie du cours
Détection de la fraude en R
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# Train the rpart algorithm on the original training set and the SMOTE-rebalanced training set
model_orig <- ___(___, data = ___)
model_smote <- ___(___, data = ___)