Élaguer l’arbre avec la matrice de pertes

Dans cet exercice, vous allez élaguer l’arbre construit à l’aide d’une matrice de pertes afin de pénaliser davantage les défauts mal classés que les non-défauts mal classés.

Cet exercice fait partie du cours

<cours>Modélisation du risque de crédit en R</cours>

Voir le cours

Instructions de l’exercice

Exécutez le code pour fixer une graine et reconstruire tree_loss_matrix.
Utilisez la fonction plotcp() pour examiner la structure de l’erreur avec validation croisée.
En regardant le graphique du cp, vous constaterez que l’élagage de l’arbre selon l’erreur minimale en validation croisée conduira à un arbre aussi grand que l’arbre non élagué, car l’erreur en validation croisée est minimale pour cp = 0.001. Comme vous souhaitez obtenir un arbre un peu plus petit, essayez d’élaguer l’arbre avec cp = 0.0012788. Pour ce paramètre de complexité, l’erreur en validation croisée se rapproche de l’erreur minimale observée. Nommez l’arbre élagué ptree_loss_matrix.
Le package rpart.plot est chargé dans votre espace de travail. Tracez l’arbre élagué avec la fonction prp() (en incluant l’argument extra = 1).

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# set a seed and run the code to construct the tree with the loss matrix again
set.seed(345)
tree_loss_matrix  <- rpart(loan_status ~ ., method = "class", data = training_set,
                           parms = list(loss=matrix(c(0, 10, 1, 0), ncol = 2)),
                           control = rpart.control(cp = 0.001))

# Plot the cross-validated error rate as a function of the complexity parameter


# Prune the tree using cp = 0.0012788


# Use prp() and argument extra = 1 to plot the pruned tree

Modifier et exécuter le code