Предотвращение чрезмерного роста деревьев
Дерево, построенное на полном наборе данных о заявителях, оказалось огромным и крайне сложным: сотни разбиений, а конечные узлы содержат лишь единицы заявителей. Интерпретировать такое дерево кредитному специалисту практически невозможно.
С помощью методов предварительной обрезки (pre-pruning) для раннего останова можно не допустить, чтобы дерево стало слишком большим и сложным. Посмотрите, как параметры управления в rpart — максимальная глубина дерева и минимальное количество наблюдений для разбиения — влияют на итоговую модель.
Наборы данных loans_train и loans_test уже созданы, пакет rpart предварительно загружен.
Это упражнение является частью курса
Обучение с учителем в R: классификация
Интерактивное практическое упражнение
Попробуйте выполнить это упражнение, дополнив этот пример кода.
# Grow a tree with maxdepth of 6
loan_model <- ___
# Make a class prediction on the test set
loans_test$pred <- ___
# Compute the accuracy of the simpler tree
mean(___)