एक अच्छी तरह प्रून किया हुआ पेड़ बनाना
पेड़ को अंत तक बढ़ने से रोकना कभी-कभी उसे डेटा के कुछ पहलू न देखने दे सकता है या वे महत्वपूर्ण ट्रेंड मिस हो सकते हैं जो बाद में मिलते.
पोस्ट-प्रूनिंग का उपयोग करके, आप जानबूझकर एक बड़ा और जटिल पेड़ उगा सकते हैं और बाद में उसे छोटा और अधिक कुशल बनाने के लिए prune कर सकते हैं.
इस अभ्यास में, आप पेड़ के performance बनाम complexity का एक visualization बनाएँगे, और इसी जानकारी का उपयोग करके पेड़ को उचित स्तर तक prune करेंगे.
rpart पैकेज पहले से लोड है, साथ ही loans_test और loans_train भी.
यह अभ्यास पाठ्यक्रम का हिस्सा है
R में Supervised Learning: Classification
अभ्यास निर्देश
- सभी applicant वैरिएबल्स का उपयोग करें और pre-pruning न करें, ताकि एक अत्यधिक complex पेड़ बने. Pre-pruning रोकने के लिए
rpart.control()मेंcp = 0सेट करना न भूलें. - मॉडल पर
plotcp()चलाकर complexity प्लॉट बनाएँ. - Complexity प्लॉट के आधार पर,
prune()फंक्शन में पेड़ और complexity पैरामीटर देकर पेड़ को 0.0014 की complexity तक prune करें. - Pruned पेड़ की accuracy को 58.3% की original accuracy से तुलना करें. Accuracy निकालने के लिए
predict()औरmean()फंक्शंस का उपयोग करें.
इंटरैक्टिव व्यावहारिक अभ्यास
इस अभ्यास को इस नमूना कोड को पूरा करके आज़माएँ।
# Grow an overly complex tree
loan_model <- ___
# Examine the complexity plot
plotcp(___)
# Prune the tree
loan_model_pruned <- ___(___, cp = ___)
# Compute the accuracy of the pruned tree
loans_test$pred <- ___
mean(___)