Construindo uma árvore de decisão simples

O conjunto de dados loans contém 11.312 pessoas selecionadas aleatoriamente que solicitaram e depois receberam empréstimos da Lending Club, uma empresa norte-americana de empréstimos peer-to-peer.

Você usará uma árvore de decisão para tentar aprender padrões no desfecho desses empréstimos (quitado ou inadimplente) com base no valor solicitado e no score de crédito no momento da aplicação.

Depois, veja como as previsões da árvore diferem para um candidato com bom crédito em comparação a um com mau crédito.

Os conjuntos de dados loans, good_credit e bad_credit já foram carregados para você.

Este exercício faz parte do curso

Aprendizagem supervisionada em R: Classificação

Ver curso

Instruções do exercício

Carregue o pacote rpart.
Ajuste um modelo de árvore de decisão com a função rpart().
- Forneça a fórmula do R que especifica outcome como função de loan_amount e credit_score como primeiro argumento.
- Por enquanto, deixe o argumento control como está. (Você vai aprender mais sobre isso depois!)
Use predict() com o modelo de empréstimos resultante para prever o desfecho para o candidato good_credit. Use o argumento type para prever a "class" do desfecho.
Faça o mesmo para o candidato bad_credit.

Exercício interativo prático

Experimente este exercício completando este código de exemplo.

# 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

Editar e executar o código