Beskärning av trädet med förlustmatrisen

I den här övningen ska du beskära trädet som byggdes med en förlustmatris, för att ge högre straff åt felklassificerade betalningsinställelser jämfört med felklassificerade icke-betalningsinställelser.

Den här övningen är en del av kursen

Kreditriskmodellering i R

Visa kurs

Övningsinstruktioner

Kör koden för att ange ett slumptalsfröe och konstruera tree_loss_matrix igen.
Använd funktionen plotcp() för att undersöka strukturen hos det korsvaliderade felet.
I cp-diagrammet kan du se att beskärning med det minsta korsvaliderade felet leder till ett träd som är lika stort som det obeskurna, eftersom det korsvaliderade felet når sitt minimum vid cp = 0.001. Eftersom du vill göra trädet något mindre, prova att beskära det med cp = 0.0012788. För den komplexitetsparametern närmar sig det korsvaliderade felet det minsta observerade felet. Kalla det beskurna trädet ptree_loss_matrix.
Paketet rpart.plot är inläst i din arbetsmiljö. Rita det beskurna trädet med funktionen prp() (inklusive argumentet extra = 1).

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# set a seed and run the code to construct the tree with the loss matrix again
set.seed(345)
tree_loss_matrix  <- rpart(loan_status ~ ., method = "class", data = training_set,
                           parms = list(loss=matrix(c(0, 10, 1, 0), ncol = 2)),
                           control = rpart.control(cp = 0.001))

# Plot the cross-validated error rate as a function of the complexity parameter


# Prune the tree using cp = 0.0012788


# Use prp() and argument extra = 1 to plot the pruned tree

Redigera och kör kod