Bygg ett enkelt beslutsträd

Datamängden loans innehåller 11 312 slumpmässigt utvalda personer som ansökte om och senare beviljades lån via Lending Club, ett amerikanskt peer-to-peer-lånebolag.

Du ska använda ett beslutsträd för att försöka hitta mönster i utfallet av dessa lån – antingen återbetalt eller fallissemang – baserat på det begärda lånebeloppet och kreditpoängen vid ansökningstillfället.

Se sedan hur trädets förutsägelser skiljer sig åt för en sökande med god kreditvärdighet jämfört med en med dålig kreditvärdighet.

Datamängderna loans, good_credit och bad_credit har redan laddats in åt dig.

Den här övningen är en del av kursen

Övervakat lärande i R: Klassificering

Visa kurs

Övningsinstruktioner

Ladda paketet rpart.
Träna en beslutsträdsmodell med funktionen rpart().
- Ange R-formeln som specificerar outcome som en funktion av loan_amount och credit_score som första argument.
- Lämna argumentet control som det är för nu. (Du får lära dig mer om det senare!)
Använd predict() med den resulterande lånemodellen för att förutsäga utfallet för den sökande i good_credit. Använd argumentet type för att förutsäga "class" för utfallet.
Gör samma sak för den sökande i bad_credit.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Load the rpart package


# Build a lending model predicting loan outcome versus loan amount and credit score
loan_model <- rpart(___, data = ___, method = "___", control = rpart.control(cp = 0))

# Make a prediction for someone with good credit
predict(___, ___, type = "___")

# Make a prediction for someone with bad credit

Redigera och kör kod