Créer un arbre bien élagué
Empêcher un arbre de grandir complètement peut l'amener à ignorer certains aspects des données ou à manquer des tendances importantes qu'il aurait pu découvrir plus tard.
En utilisant l'« élagage a posteriori » (post-pruning), vous pouvez délibérément faire croître un arbre large et complexe, puis l'élaguer ensuite pour le rendre plus petit et plus efficace.
Dans cet exercice, vous aurez l'occasion de construire une visualisation de la performance de l'arbre en fonction de sa complexité, puis d'utiliser cette information pour élaguer l'arbre au niveau approprié.
Le paquet rpart a été préchargé, de même que loans_test et loans_train.
Cette activité fait partie du cours
Apprentissage supervisé en R : Classification
Instructions de l’exercice
- Utilisez toutes les variables du demandeur et aucun élagage préalable pour créer un arbre trop complexe. Assurez-vous de définir
cp = 0dansrpart.control()pour éviter l'élagage préalable. - Créez un graphique de complexité en utilisant
plotcp()sur le modèle. - D'après le graphique de complexité, élaguez l'arbre à une complexité de 0.0014 à l'aide de la fonction
prune()avec l'arbre et le paramètre de complexité. - Comparez la justesse de l'arbre élagué à la justesse originale de 58.3 %. Pour calculer la justesse, utilisez les fonctions
predict()etmean().
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# Grow an overly complex tree
loan_model <- ___
# Examine the complexity plot
plotcp(___)
# Prune the tree
loan_model_pruned <- ___(___, cp = ___)
# Compute the accuracy of the pruned tree
loans_test$pred <- ___
mean(___)