Criação e avaliação de uma árvore maior

Anteriormente, você criou uma árvore de decisão simples que usava a pontuação de crédito do candidato e o valor do empréstimo solicitado para prever o resultado do empréstimo.

O Lending Club tem informações adicionais sobre os candidatos, como status de propriedade da casa, tempo de emprego, finalidade do empréstimo e falências anteriores, que podem ser úteis para fazer previsões mais precisas.

Usando todos os dados disponíveis do candidato, crie um modelo de empréstimo mais sofisticado usando o conjunto de dados de treinamento aleatório criado anteriormente. Em seguida, use esse modelo para fazer previsões no conjunto de dados de teste para estimar o desempenho do modelo em futuros pedidos de empréstimo.

O pacote rpart foi pré-carregado e os conjuntos de dados loans_train e loans_test foram criados.

Este exercício faz parte do curso

Aprendizagem supervisionada em R: Classificação

Ver Curso

Instruções de exercício

Use o site rpart() para criar um modelo de empréstimo usando o conjunto de dados de treinamento e todos os preditores disponíveis. Novamente, deixe o argumento do control de lado.
Ao aplicar a função predict() ao conjunto de dados de teste, você cria um vetor de resultados previstos. Não se esqueça do argumento type.
Crie um table() para comparar os valores previstos com os valores reais do outcome.
Calcule a precisão das previsões usando a função mean().

Exercício interativo prático

Experimente este exercício preenchendo este código de exemplo.

# 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(___)

Editar e executar código