เริ่มต้นใช้งานเริ่มต้นใช้งานได้ฟรี

สร้าง Decision Tree อย่างง่าย

ชุดข้อมูล loans ประกอบด้วยข้อมูลของผู้สมัครกู้ยืมเงิน 11,312 รายที่ถูกสุ่มเลือก ซึ่งทุกคนได้ยื่นขอและได้รับสินเชื่อจาก Lending Club บริษัท peer-to-peer lending สัญชาติอเมริกัน

จะใช้ Decision Tree เพื่อเรียนรู้รูปแบบจากผลลัพธ์ของสินเชื่อเหล่านี้ (ชำระคืนหรือผิดนัด) โดยอิงจากจำนวนเงินกู้ที่ขอและคะแนนเครดิต ณ เวลาที่สมัคร

จากนั้นดูว่าการทำนายของ Tree แตกต่างกันอย่างไรระหว่างผู้สมัครที่มีเครดิตดีกับผู้สมัครที่มีเครดิตไม่ดี

ชุดข้อมูล loans, good_credit และ bad_credit ถูกโหลดไว้ให้แล้ว

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

Supervised Learning in R: Classification

ดูคอร์ส

คำแนะนำการฝึกหัด

  • โหลดแพ็กเกจ rpart
  • Fit โมเดล Decision Tree ด้วยฟังก์ชัน rpart()
    • ระบุสูตร R ที่กำหนดให้ outcome เป็นฟังก์ชันของ loan_amount และ credit_score เป็น argument แรก
    • ปล่อย argument control ไว้ก่อน (จะได้เรียนรู้เพิ่มเติมในภายหลัง!)
  • ใช้ predict() กับโมเดลสินเชื่อที่ได้ เพื่อทำนายผลลัพธ์สำหรับผู้สมัคร good_credit โดยใช้ argument type เพื่อทำนาย "class" ของผลลัพธ์
  • ทำแบบเดียวกันสำหรับผู้สมัคร bad_credit

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

# 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
แก้ไขและรันโค้ด