Construire un arbre de décision simple

Le jeu de données loans contient 11 312 personnes sélectionnées aléatoirement qui ont demandé puis obtenu un prêt auprès de Lending Club, une plateforme américaine de prêts entre particuliers.

Vous allez utiliser un arbre de décision pour identifier des schémas dans l'issue de ces prêts (remboursé ou en défaut) en fonction du montant demandé et du score de crédit au moment de la demande.

Vous verrez ensuite comment les prédictions de l'arbre diffèrent pour un·e demandeur·se avec un bon crédit par rapport à un·e avec un mauvais crédit.

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

Cet exercice fait partie du cours

<cours>Apprentissage supervisé en R : Classification</cours>

Voir le cours

Instructions de l’exercice

Chargez le package rpart.
Ajustez un modèle d'arbre de décision avec la fonction rpart().
- Fournissez la formule R qui spécifie outcome en fonction de loan_amount et credit_score comme premier argument.
- Laissez l'argument control tel quel pour le moment. (Vous en apprendrez davantage plus tard !)
Utilisez predict() avec le modèle de prêt obtenu pour prédire l'issue pour le profil good_credit. Utilisez l'argument type pour prédire la "class" de l'issue.
Faites de même pour le profil 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