Construirea și evaluarea unui arbore mai complex

Anterior, ai creat un arbore de decizie simplu care folosea scorul de credit al solicitantului și suma împrumutului cerut pentru a prezice rezultatul creditului.

Lending Club deține informații suplimentare despre solicitanți, cum ar fi statutul de proprietar al locuinței, durata angajării, scopul împrumutului și falimentele anterioare — toate acestea pot fi utile pentru predicții mai precise.

Folosind toate datele disponibile despre solicitanți, construiește un model de creditare mai sofisticat cu ajutorul setului de antrenament creat anterior. Aplică apoi acest model pe setul de testare pentru a estima performanța lui pe viitoare cereri de împrumut.

Pachetul rpart a fost preîncărcat, iar seturile de date loans_train și loans_test au fost deja create.

Acest exercițiu face parte din cursul

Supervised Learning în R: Clasificare

Vezi cursul

Instrucțiuni pentru exercițiu

Folosește rpart() pentru a construi un model de creditare pe baza setului de antrenament și a tuturor predictorilor disponibili. Lasă argumentul control nemodificat.
Aplică funcția predict() pe setul de testare pentru a crea un vector cu rezultatele prezise. Nu uita de argumentul type.
Creează un table() pentru a compara valorile prezise cu valorile reale din coloana outcome.
Calculează acuratețea predicțiilor folosind funcția mean().

Exercițiu interactiv practic

Încearcă acest exercițiu completând acest cod de exemplu.

# 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(___)

Editează și rulează codul