Создание аккуратно обрезанного дерева

Если остановить рост дерева слишком рано, оно может упустить некоторые закономерности в данных или не обнаружить важные тенденции, которые проявились бы позже.

Метод постобрезки позволяет намеренно вырастить большое и сложное дерево, а затем обрезать его до более компактной и эффективной формы.

В этом упражнении вы построите визуализацию зависимости качества дерева от его сложности и используете эту информацию, чтобы обрезать дерево до подходящего уровня.

Пакет rpart уже загружен, а также наборы данных loans_test и loans_train.

Это упражнение является частью курса

Обучение с учителем в R: классификация

Посмотреть курс

Инструкции к упражнению

Используйте все переменные заявителя и не применяйте предобрезку, чтобы построить излишне сложное дерево. Обязательно задайте cp = 0 в rpart.control(), чтобы отключить предобрезку.
Постройте график сложности с помощью функции plotcp(), применив её к модели.
Основываясь на графике сложности, обрежьте дерево до значения сложности 0,0014 с помощью функции prune(), передав ей дерево и параметр сложности.
Сравните точность обрезанного дерева с исходной точностью 58,3%. Для вычисления точности используйте функции predict() и mean().

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

# 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(___)

Редактировать и запускать код