Costruire un semplice albero decisionale

Il dataset loans contiene 11.312 persone selezionate casualmente che hanno richiesto e poi ottenuto un prestito da Lending Club, un'azienda statunitense di prestiti peer‑to‑peer.

Userai un albero decisionale per imparare gli schemi nell'esito di questi prestiti (restituito o in default) in base all'importo richiesto e al punteggio di credito al momento della domanda.

Poi vedrai come cambiano le previsioni dell'albero per un richiedente con buon credito rispetto a uno con cattivo credito.

I dataset loans, good_credit e bad_credit sono già caricati per te.

Questo esercizio fa parte del corso

Apprendimento supervisionato in R: Classificazione

Visualizza il corso

Istruzioni dell'esercizio

Carica il pacchetto rpart.
Adatta un modello ad albero decisionale con la funzione rpart().
- Fornisci come primo argomento la formula R che specifica outcome in funzione di loan_amount e credit_score.
- Lascia invariato l'argomento control per ora. (Lo approfondirai più avanti!)
Usa predict() con il modello di prestito ottenuto per prevedere l'esito per il richiedente good_credit. Usa l'argomento type per prevedere la "class" dell'esito.
Fai lo stesso per il richiedente bad_credit.

Esercizio pratico interattivo

Prova a risolvere questo esercizio completando il codice di esempio.

# 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

Modifica ed esegui il codice