Een eenvoudige beslisboom bouwen

De loans-gegevensset bevat 11.312 willekeurig geselecteerde mensen die een lening hebben aangevraagd en later hebben gekregen via Lending Club, een Amerikaans peer-to-peer-leenplatform.

Je gaat een beslisboom gebruiken om patronen te leren in de uitkomst van deze leningen (ofwel terugbetaald of wanbetaling), op basis van het aangevraagde leenbedrag en de kredietscore ten tijde van de aanvraag.

Kijk daarna hoe de voorspellingen van de boom verschillen voor een aanvrager met een goede kredietscore versus iemand met een slechte kredietscore.

De gegevensset loans is al voor je geladen.

Deze oefening maakt deel uit van de cursus

Supervised Learning in R: Classificatie

Cursus bekijken

Oefeninstructies

Laad het rpart-pakket.
Fit een beslisboommodel met de functie rpart().
- Geef als eerste argument de R-formule op waarin outcome wordt gespecificeerd als een functie van loan_amount en credit_score.
- Laat het argument control voorlopig met rust. (Daar leer je later meer over!)
Gebruik predict() met het resulterende leningmodel om de uitkomst voor de aanvrager good_credit te voorspellen. Gebruik het argument type om de "class" van de uitkomst te voorspellen.
Doe hetzelfde voor de aanvrager bad_credit.

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# 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

Code bewerken en uitvoeren