Bygg din egen detektionsmodell
Nu ska vi kombinera de verktyg vi gått igenom i det här kapitlet. Datasetet med kredittransaktioner från de tidigare övningarna delades upp i ett träningsset och ett testset med samma klassojämvikt. Sedan tillämpades SMOTE på träningssetet. Du bygger en klassificeringsträdsmodell på både det ursprungliga obalanserade träningssetet och det ombalanserade träningssetet. Slutligen jämförs båda modellerna på samma testset.
Biblioteken rpart och caret är redan inlästa i din workspace. Ta gärna hjälp av slides för att slutföra övningen.
Den här övningen är en del av kursen
Bedrägeridetektering i R
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# Train the rpart algorithm on the original training set and the SMOTE-rebalanced training set
model_orig <- ___(___, data = ___)
model_smote <- ___(___, data = ___)