1. Apprendre
    2. /
  2. Cours
    3. /
  3. Apprentissage supervisé en R : Classification
Connected

Exercice

Éviter les arbres trop volumineux

L'arbre construit sur l'ensemble complet des demandes est devenu extrêmement grand et complexe, avec des centaines de divisions et des feuilles ne contenant que quelques demandeurs. Un tel arbre serait presque impossible à interpréter pour un agent de prêts.

En utilisant des méthodes de pré-élagage pour arrêter la croissance plus tôt, vous pouvez empêcher un arbre de devenir trop grand et trop complexe. Voyez comment les options de contrôle de rpart pour la profondeur maximale de l'arbre et le nombre minimal d'observations pour une division influencent l'arbre obtenu.

Les jeux de données loans_train et loans_test ont été créés, et rpart a été préchargé.

Instructions 1/2

undefined XP
  • 1
    • Utilisez rpart() pour construire un modèle de prêt à partir de l'ensemble d'entraînement et de tous les prédicteurs disponibles.
      • Définissez les paramètres de control avec rpart.control() en fixant cp à 0 et maxdepth à 6.
    • Comparez la justesse sur l'ensemble de test de ce modèle plus simple à la justesse originale de 58,3 %.
      • Créez d'abord un vecteur de prédictions avec la fonction predict().
      • Comparez les prédictions aux résultats réels et utilisez mean() pour calculer la justesse.
  • 2

    Dans les contrôles du modèle, retirez maxdepth et ajoutez un paramètre de division minimale, minsplit, fixé à 500.