Zbuduj własny model wykrywania oszustw
Połączmy narzędzia poznane w tym rozdziale. Zbiór danych dotyczących przelewów kredytowych z poprzednich ćwiczeń został podzielony na zbiór treningowy i testowy z zachowaniem tej samej nierównowagi klas. Następnie na zbiorze treningowym zastosowano metodę SMOTE. Zbudujesz model drzewa klasyfikacyjnego zarówno na oryginalnym, niezbalansowanym zbiorze treningowym, jak i na zbiorze po ponownym zbalansowaniu. Na koniec porównasz oba modele na tym samym zbiorze testowym.
Biblioteki rpart i caret są już wczytane w twoim środowisku. W razie potrzeby zajrzyj do slajdów, aby ukończyć to ćwiczenie.
To ćwiczenie jest częścią kursu
Wykrywanie oszustw w R
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# Train the rpart algorithm on the original training set and the SMOTE-rebalanced training set
model_orig <- ___(___, data = ___)
model_smote <- ___(___, data = ___)