自分で検出モデルを作ってみましょう
この章で学んだツールを組み合わせてみましょう。前の演習で使った振込（credit transfer）のデータセットは、クラス不均衡を保ったまま学習用とテスト用に分割されています。次に、学習用データに対して SMOTE を適用しました。ここでは、元の不均衡な学習用データと、再サンプリングでバランスを取った学習用データの両方に対して、分類木モデルを構築します。最後に、同じテストデータで両モデルを比較します。
rpart と caret ライブラリはすでにワークスペースに読み込まれています。演習の補助としてスライドも参照してかまいません。
この演習はコースの一部です
Rで学ぶ不正検知
実践的なインタラクティブ演習
このサンプルコードを完成させて、この演習に挑戦してみましょう。
# Train the rpart algorithm on the original training set and the SMOTE-rebalanced training set
model_orig <- ___(___, data = ___)
model_smote <- ___(___, data = ___)