過度に大きくなる木を防ぐ
申請者データの全セットで育てた木は、非常に大きく複雑になり、分割が何百回も行われ、各リーフノードにはごく少数の申請者しか含まれていませんでした。これでは融資担当者が解釈するのはほぼ不可能です。
早期終了のための事前剪定（pre-pruning）を使うと、木が過度に大きく複雑になるのを防げます。rpart の制御オプションである最大深さと最小分割数が、最終的な木にどう影響するかを確認しましょう。
loans_train と loans_test のデータセットは作成済みで、rpart は読み込み済みです。
この演習はコースの一部です
Rで学ぶSupervised Learning：分類
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。
# Grow a tree with maxdepth of 6
loan_model <- ___
# Make a class prediction on the test set
loans_test$pred <- ___
# Compute the accuracy of the simpler tree
mean(___)