Przycinanie drzewa z użyciem macierzy strat

W tym ćwiczeniu przytniesz drzewo zbudowane z użyciem macierzy strat, która nakłada wyższe kary za błędną klasyfikację przypadków niewywiązania się ze zobowiązań niż za błędną klasyfikację pozostałych przypadków.

To ćwiczenie jest częścią kursu

Modelowanie ryzyka kredytowego w R

Zobacz kurs

Instrukcje do ćwiczenia

Uruchom kod, aby ustawić ziarno losowości i ponownie skonstruować tree_loss_matrix.
Użyj funkcji plotcp(), aby przeanalizować strukturę błędu kroswalidacyjnego.
Patrząc na wykres cp, zauważysz, że przycięcie drzewa przy minimalnym błędzie kroswalidacyjnym daje drzewo równie duże jak drzewo nieprzycinane – błąd kroswalidacyjny osiąga minimum dla cp = 0.001. Ponieważ zależy ci na nieco mniejszym drzewie, spróbuj przyciąć je, używając cp = 0.0012788. Dla tego parametru złożoności błąd kroswalidacyjny zbliża się do obserwowanego minimum. Przyciętemu drzewu nadaj nazwę ptree_loss_matrix.
Pakiet rpart.plot jest już wczytany w twoim środowisku pracy. Zwizualizuj przycięte drzewo, używając funkcji prp() (z argumentem extra = 1).

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# set a seed and run the code to construct the tree with the loss matrix again
set.seed(345)
tree_loss_matrix  <- rpart(loan_status ~ ., method = "class", data = training_set,
                           parms = list(loss=matrix(c(0, 10, 1, 0), ncol = 2)),
                           control = rpart.control(cp = 0.001))

# Plot the cross-validated error rate as a function of the complexity parameter


# Prune the tree using cp = 0.0012788


# Use prp() and argument extra = 1 to plot the pruned tree

Edytuj i uruchom kod