Créer et évaluer un arbre plus grand
Vous avez précédemment créé un arbre de décision simple qui utilisait la cote de crédit de la personne requérante et le montant du prêt demandé pour prédire l'issue du prêt.
Lending Club dispose d'autres renseignements sur les personnes requérantes, comme le statut de propriété du domicile, la durée d'emploi, l'objet du prêt et les faillites passées, qui peuvent aider à faire des prédictions plus précises.
En utilisant toutes les données disponibles sur les personnes requérantes, construisez un modèle d'octroi plus sophistiqué à partir de l'ensemble d'entraînement aléatoire créé précédemment. Ensuite, utilisez ce modèle pour faire des prédictions sur l'ensemble de test afin d'estimer la performance du modèle sur de futures demandes de prêt.
Le paquet rpart a été préchargé, et les ensembles de données loans_train et loans_test ont été créés.
Cette activité fait partie du cours
Apprentissage supervisé en R : Classification
Instructions de l’exercice
- Utilisez
rpart()pour construire un modèle de prêt à partir de l'ensemble d'entraînement et de tous les prédicteurs disponibles. Laissez encore l'argumentcontroltel quel. - En appliquant la fonction
predict()à l'ensemble de test, créez un vecteur de résultats prédits. N'oubliez pas l'argumenttype. - Créez un
table()pour comparer les valeurs prédites aux valeurs réelles deoutcome. - Calculez la justesse des prédictions avec la fonction
mean().
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# Grow a tree using all of the available applicant data
loan_model <- rpart(___, data = ___, method = "___", control = rpart.control(cp = 0))
# Make predictions on the test dataset
loans_test$pred <- ___
# Examine the confusion matrix
table(___, ___)
# Compute the accuracy on the test dataset
mean(___)