Построение и оценка более сложного дерева

Ранее вы построили простое дерево решений, которое использовало кредитный рейтинг заявителя и запрашиваемую сумму займа для прогнозирования результата рассмотрения заявки.

Lending Club располагает дополнительными сведениями о заявителях: статус владения жильём, стаж работы, цель займа и наличие прошлых банкротств. Эти данные могут помочь строить более точные прогнозы.

Используя все доступные данные о заявителях, постройте более сложную модель кредитования на основе обучающей выборки, созданной ранее. Затем примените эту модель к тестовой выборке, чтобы оценить её эффективность на новых кредитных заявках.

Пакет rpart уже подключён, а наборы данных loans_train и loans_test созданы.

Это упражнение является частью курса

Обучение с учителем в R: классификация

Посмотреть курс

Инструкции к упражнению

С помощью rpart() постройте модель кредитования на обучающей выборке, используя все доступные предикторы. Аргумент control оставьте без изменений.
Примените функцию predict() к тестовой выборке и сохраните результат в виде вектора прогнозируемых исходов. Не забудьте указать аргумент type.
Создайте таблицу с помощью table(), чтобы сравнить предсказанные значения с фактическими значениями outcome.
Вычислите точность прогнозов с помощью функции mean().

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

# 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(___)

Редактировать и запускать код