Construire un arbre de décision simple

L'ensemble de données loans contient 11 312 personnes sélectionnées au hasard qui ont demandé puis obtenu un prêt auprès de Lending Club, une société de prêt de pair à pair basée sur le site US.

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

Ensuite, voyez comment les prédictions de l'arbre diffèrent pour un candidat ayant un bon crédit et pour un candidat ayant un mauvais crédit.

L'ensemble de données loans a été chargé pour vous.

Cet exercice fait partie du cours

Apprentissage supervisé en R : Classification

Afficher le cours

Instructions

Chargez le paquet rpart.
Ajustez un modèle d'arbre de décision avec la fonction rpart().
- Fournissez la formule R qui spécifie outcome en tant que fonction de loan_amount et credit_score comme premier argument.
- Laissez de côté l'argument control pour l'instant. (Vous en saurez plus plus tard !)
Utilisez predict() avec le modèle de prêt résultant pour prédire le résultat pour le demandeur good_credit. Utilisez l'argument type pour prédire le résultat "class".
Faites de même pour le candidat bad_credit.

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

# 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