1. Learn
    2. /
  2. Cursuri
    3. /
  3. Обучение с учителем в R: классификация
Connected

Exercițiu

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.

Instrucțiuni 1/2

undefined XP
  • 1
    • С помощью rpart() постройте модель кредитования на обучающем наборе данных, используя все доступные предикторы.
      • Задайте параметры управления моделью через rpart.control(), установив cp = 0 и maxdepth = 6.
    • Сравните точность упрощённой модели на тестовом наборе с исходной точностью в 58,3%.
      • Сначала создайте вектор предсказаний с помощью функции predict().
      • Сравните предсказания с фактическими результатами и вычислите точность с помощью mean().
  • 2

    В параметрах управления моделью удалите maxdepth и добавьте параметр минимального разбиения minsplit, установив его равным 500.