Zmiana prawdopodobieństw a priori

Jak wspomniano w filmie, możesz również zmienić prawdopodobieństwa a priori, aby uzyskać drzewo decyzyjne. To pośredni sposób na dostosowanie wagi błędnych klasyfikacji dla każdej klasy. Możesz przekazać dodatkowy argument do funkcji rpart(), aby uwzględnić prawdopodobieństwa a priori. Interesujący cię argument ma następującą postać:

parms = list(prior=c(non_default_proportion, default_proportion))

Pakiet rpart jest już wczytany do twojego środowiska pracy.

To ćwiczenie jest częścią kursu

Modelowanie ryzyka kredytowego w R

Zobacz kurs

Instrukcje do ćwiczenia

Zmodyfikuj podany kod tak, aby zbudować drzewo decyzyjne z argumentem parms, ustawiając proporcję przypadków bez niewykonania zobowiązań na 0,7, a z niewykonaniem zobowiązań na 0,3 (ich suma powinna zawsze wynosić 1). Dodaj również argument control = rpart.control(cp = 0.001).
Zwizualizuj drzewo decyzyjne, używając funkcji plot z nazwą obiektu drzewa. Dodaj drugi argument "uniform=TRUE", aby uzyskać gałęzie o jednakowej długości.
Dodaj etykiety do drzewa, używając funkcji text() z nazwą obiektu drzewa decyzyjnego.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# Change the code below such that a tree is constructed with adjusted prior probabilities.
tree_prior <- rpart(loan_status ~ ., method = "class",
                    data = training_set)

# Plot the decision tree


# Add labels to the decision tree

Edytuj i uruchom kod