Построение простого дерева решений

Набор данных loans содержит информацию о 11 312 случайно выбранных людях, которые подали заявку на кредит и впоследствии получили его в Lending Club — американской платформе однорангового кредитования.

Вы будете использовать дерево решений, чтобы выявить закономерности в исходах по этим кредитам (погашен или дефолт) на основе запрошенной суммы кредита и кредитного рейтинга на момент подачи заявки.

Затем посмотрите, как прогнозы дерева различаются для заявителя с хорошей кредитной историей и заявителя с плохой.

Наборы данных loans, good_credit и bad_credit уже загружены.

Это упражнение является частью курса

Обучение с учителем в R: классификация

Посмотреть курс

Инструкции к упражнению

Загрузите пакет rpart.
Обучите модель дерева решений с помощью функции rpart().
- В качестве первого аргумента укажите формулу R, задающую outcome как функцию от loan_amount и credit_score.
- Аргумент control пока не трогайте — о нём вы узнаете позже!
Используйте predict() с полученной моделью, чтобы предсказать исход для заявителя good_credit. С помощью аргумента type укажите, что нужно предсказать "class" исхода.
Сделайте то же самое для заявителя bad_credit.

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

# Load the rpart package


# Build a lending model predicting loan outcome versus loan amount and credit score
loan_model <- rpart(___, data = ___, method = "___", control = rpart.control(cp = 0))

# Make a prediction for someone with good credit
predict(___, ___, type = "___")

# Make a prediction for someone with bad credit

Редактировать и запускать код