Undersampling av träningsdata

I videon såg du att man kan använda under- eller översampling för att hantera problemet med obalanserade data. Träningsdatan har redan undersampleats åt dig så att 1/3 av träningsdatan består av defaults och 2/3 av non-defaults. Den resulterande datamängden finns tillgänglig i din arbetsmiljö under namnet undersampled_training_set och innehåller färre observationer (6 570 i stället för 19 394). I den här övningen ska du bygga ett beslutsträd med hjälp av den undersamplade datamängden.

Du kommer att märka att träden i den här och nästa övning är mycket stora – så stora att de är svåra att läsa. Det behöver du inte oroa dig för nu. I nästa video visar vi dig hur du kan göra dem mer hanterbara!

Den här övningen är en del av kursen

Kreditriskmodellering i R

Visa kurs

Övningsinstruktioner

Paketet rpart är redan installerat. Läs in paketet i din arbetsmiljö.
Ändra den befintliga koden så att beslutsträdet byggs med den undersamplade träningsdatan i stället för training_set. Lägg också till argumentet control = rpart.control(cp = 0.001). cp – komplexitetsparametern – är tröskelvädet för hur mycket den totala bristande anpassningen måste minska vid en uppdelning. Om cp-kravet inte uppfylls görs inga fler uppdelningar. Standardvärdet för cp är 0,01, men för komplexa problem rekommenderas ett lägre värde.
Rita beslutsträdet med funktionen plot och trädets objektnamn. Lägg till argumentet uniform = TRUE som andra argument för att få lika långa grenar.
Det föregående kommandot skapar ett träd med noder och kanter, men utan text (så kallade "etiketter"). Använd funktionen text() med tree_undersample som enda argument för att lägga till etiketter.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Load package rpart in your workspace.


# Change the code provided in the video such that a decision tree is constructed using the undersampled training set. Include rpart.control to relax the complexity parameter to 0.001.
tree_undersample <- rpart(loan_status ~ ., method = "class",
                          data =  training_set)

# Plot the decision tree


# Add labels to the decision tree

Redigera och kör kod