Tworzenie starannie przyciętego drzewa
Zatrzymanie wzrostu drzewa zbyt wcześnie może sprawić, że pominie ono pewne wzorce w danych lub przeoczy ważne zależności, które mogłoby odkryć później.
Dzięki przycinaniu po uczeniu (post-pruning) możesz celowo zbudować duże i złożone drzewo, a następnie przyciąć je do mniejszego i bardziej efektywnego rozmiaru.
W tym ćwiczeniu stworzysz wizualizację przedstawiającą zależność między wydajnością drzewa a jego złożonością, a następnie wykorzystasz te informacje, aby przyciąć drzewo do odpowiedniego poziomu.
Pakiet rpart jest już załadowany wraz ze zbiorami loans_test i loans_train.
To ćwiczenie jest częścią kursu
Nadzorowane uczenie maszynowe w R: Klasyfikacja
Instrukcje do ćwiczenia
- Użyj wszystkich zmiennych wnioskodawców i wyłącz wstępne przycinanie, aby zbudować nadmiernie złożone drzewo. Pamiętaj, aby ustawić
cp = 0wrpart.control(), żeby wyłączyć wstępne przycinanie. - Utwórz wykres złożoności, używając
plotcp()na modelu. - Na podstawie wykresu złożoności przytnij drzewo do poziomu złożoności 0.0014, korzystając z funkcji
prune()z drzewem i parametrem złożoności. - Porównaj dokładność przyciętego drzewa z pierwotną dokładnością wynoszącą 58,3%. Do obliczenia dokładności użyj funkcji
predict()imean().
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# Grow an overly complex tree
loan_model <- ___
# Examine the complexity plot
plotcp(___)
# Prune the tree
loan_model_pruned <- ___(___, cp = ___)
# Compute the accuracy of the pruned tree
loans_test$pred <- ___
mean(___)