Budowanie i ocena większego drzewa

Wcześniej utworzyłeś proste drzewo decyzyjne, które wykorzystywało ocenę kredytową wnioskodawcy i wnioskowaną kwotę pożyczki do przewidywania wyniku kredytowego.

Lending Club dysponuje dodatkowymi informacjami o wnioskodawcach – takimi jak status własności mieszkania, staż pracy, cel pożyczki czy przeszłe bankructwa – które mogą pomóc w dokładniejszych prognozach.

Wykorzystując wszystkie dostępne dane o wnioskodawcach, zbuduj bardziej zaawansowany model kredytowy na podstawie losowego zbioru treningowego utworzonego wcześniej. Następnie użyj tego modelu do przewidywania wyników na zbiorze testowym, aby oszacować jego skuteczność na przyszłych wnioskach kredytowych.

Pakiet rpart jest już załadowany, a zbiory danych loans_train i loans_test zostały przygotowane.

To ćwiczenie jest częścią kursu

Nadzorowane uczenie maszynowe w R: Klasyfikacja

Zobacz kurs

Instrukcje do ćwiczenia

Użyj rpart(), aby zbudować model kredytowy na zbiorze treningowym z wykorzystaniem wszystkich dostępnych predyktorów. Argument control pozostaw bez zmian.
Zastosuj funkcję predict() do zbioru testowego, aby utworzyć wektor przewidywanych wyników. Pamiętaj o argumencie type.
Utwórz table(), aby porównać przewidywane wartości z rzeczywistymi wartościami zmiennej outcome.
Oblicz dokładność prognoz za pomocą funkcji mean().

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# Grow a tree using all of the available applicant data
loan_model <- rpart(___, data = ___, method = "___", control = rpart.control(cp = 0))

# Make predictions on the test dataset
loans_test$pred <- ___

# Examine the confusion matrix
table(___, ___)

# Compute the accuracy on the test dataset
mean(___)

Edytuj i uruchom kod