Bouw je eigen detectiemodel
Laten we de tools uit dit hoofdstuk combineren. De credittransfer-gegevensset uit de vorige oefeningen is opgesplitst in een trainingsset en een testset met dezelfde klassen-imbalance. Vervolgens is SMOTE toegepast op de trainingsset. Je bouwt een classificatieboommodel op zowel de oorspronkelijke, uit balans zijnde trainingsset als op de hergebalanceerde trainingsset. Tot slot vergelijk je beide modellen op dezelfde testset.
De libraries rpart en caret zijn al geladen in je werkruimte. Raadpleeg gerust de dia's om deze oefening te voltooien.
Deze oefening maakt deel uit van de cursus
Fraudedetectie in R
Praktische interactieve oefening
Probeer deze oefening eens door deze voorbeeldcode in te vullen.
# Train the rpart algorithm on the original training set and the SMOTE-rebalanced training set
model_orig <- ___(___, data = ___)
model_smote <- ___(___, data = ___)