Budowanie prostego drzewa decyzyjnego

Zbiór danych loans zawiera 11 312 losowo wybranych osób, które ubiegały się o pożyczki i je otrzymały za pośrednictwem Lending Club – amerykańskiej platformy pożyczek między osobami prywatnymi.

Wykorzystasz drzewo decyzyjne, aby znaleźć wzorce w wynikach tych pożyczek (spłata lub niespłacenie) na podstawie wnioskowanej kwoty pożyczki i oceny kredytowej w momencie składania wniosku.

Następnie sprawdź, jak prognozy drzewa różnią się dla wnioskodawcy z dobrą historią kredytową w porównaniu z wnioskodawcą z niską oceną kredytową.

Zbiory danych loans, good_credit i bad_credit zostały już wczytane.

To ćwiczenie jest częścią kursu

Nadzorowane uczenie maszynowe w R: Klasyfikacja

Zobacz kurs

Instrukcje do ćwiczenia

Wczytaj pakiet rpart.
Dopasuj model drzewa decyzyjnego za pomocą funkcji rpart().
- Jako pierwszy argument podaj formułę R, która określa outcome jako funkcję zmiennych loan_amount i credit_score.
- Na razie zostaw argument control bez zmian. (Dowiesz się o nim więcej później!)
Użyj funkcji predict() z uzyskanym modelem pożyczek, aby przewidzieć wynik dla wnioskodawcy good_credit. Użyj argumentu type, aby przewidzieć "class" wyniku.
Zrób to samo dla wnioskodawcy bad_credit.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# 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

Edytuj i uruchom kod