เริ่มต้นใช้งานเริ่มต้นใช้งานได้ฟรี

การสร้างต้นไม้ที่ตัดแต่งอย่างเหมาะสม

การหยุดการเติบโตของต้นไม้ก่อนกำหนดอาจทำให้โมเดลละเลยข้อมูลบางส่วนหรือพลาดแนวโน้มสำคัญที่อาจค้นพบในภายหลัง

ด้วยการใช้ post-pruning เราสามารถปล่อยให้ต้นไม้เติบโตจนมีขนาดใหญ่และซับซ้อนก่อน จากนั้นจึงตัดแต่งให้เล็กลงและมีประสิทธิภาพมากขึ้นในภายหลัง

ในแบบฝึกหัดนี้ จะได้สร้างกราฟแสดงประสิทธิภาพของต้นไม้เทียบกับความซับซ้อน แล้วนำข้อมูลดังกล่าวมาใช้ตัดแต่งต้นไม้ให้อยู่ในระดับที่เหมาะสม

แพ็กเกจ rpart ถูกโหลดไว้ให้แล้ว พร้อมกับ loans_test และ loans_train

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

Supervised Learning in R: Classification

ดูคอร์ส

คำแนะนำการฝึกหัด

  • ใช้ตัวแปรทั้งหมดของผู้สมัครและไม่ใช้ pre-pruning เพื่อสร้างต้นไม้ที่ซับซ้อนเกินไป อย่าลืมกำหนด cp = 0 ใน rpart.control() เพื่อปิดการใช้งาน pre-pruning
  • สร้างกราฟความซับซ้อนโดยใช้ plotcp() กับโมเดล
  • อิงจากกราฟความซับซ้อน ตัดแต่งต้นไม้ให้มีค่าความซับซ้อนเท่ากับ 0.0014 โดยใช้ฟังก์ชัน prune() พร้อมระบุต้นไม้และพารามิเตอร์ความซับซ้อน
  • เปรียบเทียบความแม่นยำของต้นไม้ที่ตัดแต่งแล้วกับค่าความแม่นยำเดิมที่ 58.3% โดยใช้ฟังก์ชัน predict() และ mean()

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

# 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(___)
แก้ไขและรันโค้ด