Crie seu próprio modelo de detecção
Vamos combinar as ferramentas que vimos neste capítulo. O conjunto de dados de transferências de crédito dos exercícios anteriores foi dividido em um conjunto de treino e um conjunto de teste com o mesmo desbalanceamento de classes. Em seguida, foi aplicado SMOTE no conjunto de treino. Você vai construir um modelo de árvore de classificação tanto no conjunto de treino original (desbalanceado) quanto no conjunto de treino reequilibrado. Por fim, ambos os modelos serão comparados no mesmo conjunto de teste.
As bibliotecas rpart e caret já estão carregadas no seu workspace. Fique à vontade para consultar os slides para concluir este exercício.
Este exercício faz parte do curso
Detecção de Fraudes em R
Exercício interativo prático
Experimente este exercício completando este código de exemplo.
# Train the rpart algorithm on the original training set and the SMOTE-rebalanced training set
model_orig <- ___(___, data = ___)
model_smote <- ___(___, data = ___)