シンプルな決定木を作る
loans データセットには、米国のピアツーピア融資会社である Lending Club から融資を申し込み、その後実際に受け取った 11,312 人を無作為に抽出したデータが含まれます。
ここでは、申請時の希望借入額と信用スコアに基づいて、ローンの結果（返済か延滞か）のパターンを学習するために決定木を使います。
そして、信用状況が良い申請者と悪い申請者で、木の予測がどのように異なるかを確認しましょう。
loans、good_credit、bad_credit の各データセットは読み込まれています。
この演習はコースの一部です
Rで学ぶSupervised Learning：分類
演習の手順
rpartパッケージを読み込みます。rpart()関数で決定木モデルを学習します。- 第1引数には、
outcomeをloan_amountとcredit_scoreの関数として指定する R のフォーミュラを渡します。 - いまは
control引数はそのままにしておきましょう。（後ほど詳しく学びます。）
- 第1引数には、
- 生成したローンモデルに対して
predict()を用い、good_creditの申請者の結果を予測します。type引数で結果の"class"を予測するよう指定します。 - 同様に、
bad_creditの申請者についても予測します。
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。
# 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