Construire un arbre de décision simple

Le jeu de données loans contient 11 312 personnes choisies au hasard qui ont fait une demande et ont ensuite obtenu un prêt auprès de Lending Club, une entreprise américaine de prêt entre particuliers.

Vous utiliserez un arbre de décision pour repérer des tendances dans l'issue de ces prêts (remboursé ou défaut) en fonction du montant demandé et de la cote de crédit au moment de la demande.

Vous verrez ensuite comment les prédictions de l'arbre diffèrent pour une personne ayant une bonne cote de crédit par rapport à une autre ayant une mauvaise cote.

Les jeux de données loans, good_credit et bad_credit ont été chargés pour vous.

Cette activité fait partie du cours

Apprentissage supervisé en R : Classification

Voir le cours

Instructions de l’exercice

Chargez le paquet rpart.
Ajustez un modèle d'arbre de décision avec la fonction rpart().
- Donnez la formule R qui précise outcome en fonction de loan_amount et credit_score comme premier argument.
- Laissez l'argument control tel quel pour l'instant. (Vous en apprendrez plus à ce sujet plus tard!)
Utilisez predict() avec le modèle de prêt obtenu pour prédire l'issue pour la personne good_credit. Utilisez l'argument type pour prédire la "class" de l'issue.
Faites la même chose pour la personne bad_credit.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# Load the rpart package


# Build a lending model predicting loan outcome versus loan amount and credit score
loan_model <- rpart(___, data = ___, method = "___", control = rpart.control(cp = 0))

# Make a prediction for someone with good credit
predict(___, ___, type = "___")

# Make a prediction for someone with bad credit

Modifier et exécuter le code