Bygg och utvärdera ett större beslutsträd

Tidigare skapade du ett enkelt beslutsträd som använde sökandens kreditpoäng och begärt lånebelopp för att förutsäga låneutfallet.

Lending Club har ytterligare information om sökandena, till exempel bostadsägarstatus, anställningstid, lånesyfte och tidigare konkurser, som kan vara användbar för att göra mer träffsäkra förutsägelser.

Använd alla tillgängliga sökandeuppgifter och bygg en mer avancerad lånemodell med den slumpmässiga träningsdatamängd som skapades tidigare. Använd sedan modellen för att göra förutsägelser på testdatamängden och uppskatta modellens prestanda på framtida låneansökningar.

Paketet rpart är förinstallerat och datamängderna loans_train och loans_test har skapats.

Den här övningen är en del av kursen

Övervakat lärande i R: Klassificering

Visa kurs

Övningsinstruktioner

Använd rpart() för att bygga en lånemodell med träningsdatamängden och alla tillgängliga prediktorer. Lämna argumentet control oförändrat.
Tillämpa funktionen predict() på testdatamängden och skapa en vektor med förutsagda utfall. Glöm inte argumentet type.
Skapa en table() för att jämföra de förutsagda värdena med de faktiska värdena i outcome.
Beräkna förutsägelsernas träffsäkerhet med funktionen mean().

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Grow a tree using all of the available applicant data
loan_model <- rpart(___, data = ___, method = "___", control = rpart.control(cp = 0))

# Make predictions on the test dataset
loans_test$pred <- ___

# Examine the confusion matrix
table(___, ___)

# Compute the accuracy on the test dataset
mean(___)

Redigera och kör kod