Crearea unui arbore bine tăiat

Oprirea unui arbore înainte ca acesta să crească complet poate face ca el să ignore anumite aspecte ale datelor sau să rateze tendințe importante pe care le-ar fi descoperit ulterior.

Prin post-tăiere (post-pruning), poți lăsa în mod intenționat arborele să crească mare și complex, apoi să îl simplifici pentru a fi mai eficient.

În acest exercițiu, vei construi o vizualizare a performanței arborelui în funcție de complexitate și vei folosi aceste informații pentru a-l tăia la un nivel potrivit.

Pachetul rpart a fost preîncărcat, împreună cu loans_test și loans_train.

Acest exercițiu face parte din cursul

Supervised Learning în R: Clasificare

Vezi cursul

Instrucțiuni pentru exercițiu

Folosește toate variabilele solicitanților și nicio pre-tăiere pentru a crea un arbore excesiv de complex. Asigură-te că setezi cp = 0 în rpart.control() pentru a dezactiva pre-tăierea.
Creează un grafic de complexitate folosind plotcp() pe model.
Pe baza graficului de complexitate, taie arborele la o complexitate de 0,0014 folosind funcția prune() cu arborele și parametrul de complexitate.
Compară acuratețea arborelui tăiat cu acuratețea inițială de 58,3%. Pentru a calcula acuratețea, folosește funcțiile predict() și mean().

Exercițiu interactiv practic

Încearcă acest exercițiu completând acest cod de exemplu.

# Grow an overly complex tree
loan_model <- ___

# Examine the complexity plot
plotcp(___)

# Prune the tree
loan_model_pruned <- ___(___, cp = ___)

# Compute the accuracy of the pruned tree
loans_test$pred <- ___
mean(___)

Editează și rulează codul