Skapa ett välbeskuret träd
Om ett träd stoppas från att växa fullt ut kan det missa vissa mönster i datan eller viktiga trender som det annars hade hittat längre fram.
Med efterbeskärning kan du medvetet låta ett stort och komplext träd växa ut, för att sedan beskära det till en mindre och mer effektiv form.
I den här övningen får du skapa en visualisering av trädets prestanda i förhållande till dess komplexitet, och sedan använda den informationen för att beskära trädet till en lämplig nivå.
Paketet rpart är förinstallerat, tillsammans med loans_test och loans_train.
Den här övningen är en del av kursen
Övervakat lärande i R: Klassificering
Övningsinstruktioner
- Använd alla sökandets variabler och ingen förbeskärning för att skapa ett överdrivet komplext träd. Se till att ange
cp = 0irpart.control()för att förhindra förbeskärning. - Skapa ett komplexitetsdiagram med
plotcp()på modellen. - Baserat på komplexitetsdiagrammet, beskär trädet till en komplexitet på 0,0014 med funktionen
prune(), och ange trädet samt komplexitetsparametern. - Jämför noggrannheten för det beskurna trädet med den ursprungliga noggrannheten på 58,3 %. Beräkna noggrannheten med funktionerna
predict()ochmean().
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# Grow an overly complex tree
loan_model <- ___
# Examine the complexity plot
plotcp(___)
# Prune the tree
loan_model_pruned <- ___(___, cp = ___)
# Compute the accuracy of the pruned tree
loans_test$pred <- ___
mean(___)