สร้างและประเมินต้นไม้ขนาดใหญ่ขึ้น

ในแบบฝึกหัดก่อนหน้า คุณได้สร้าง decision tree อย่างง่ายที่ใช้คะแนนเครดิตและจำนวนเงินกู้ที่ขอเพื่อพยากรณ์ผลการอนุมัติสินเชื่อ

Lending Club มีข้อมูลเพิ่มเติมเกี่ยวกับผู้สมัคร เช่น สถานะการเป็นเจ้าของบ้าน ระยะเวลาการจ้างงาน วัตถุประสงค์ของสินเชื่อ และประวัติการล้มละลายในอดีต ซึ่งอาจเป็นประโยชน์ในการสร้างการพยากรณ์ที่แม่นยำยิ่งขึ้น

โดยใช้ข้อมูลผู้สมัครที่มีอยู่ทั้งหมด ให้สร้างโมเดลสินเชื่อที่ซับซ้อนขึ้นโดยใช้ชุดข้อมูลฝึกแบบสุ่มที่สร้างไว้ก่อนหน้า จากนั้นใช้โมเดลนี้พยากรณ์บนชุดข้อมูลทดสอบ เพื่อประเมินประสิทธิภาพของโมเดลสำหรับใบสมัครสินเชื่อในอนาคต

แพ็กเกจ rpart ถูกโหลดไว้ล่วงหน้าแล้ว และชุดข้อมูล loans_train กับ loans_test ได้ถูกสร้างขึ้นพร้อมใช้งาน

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

Supervised Learning in R: Classification

ดูคอร์ส

คำแนะนำการฝึกหัด

ใช้ rpart() เพื่อสร้างโมเดลสินเชื่อโดยใช้ชุดข้อมูลฝึกและ predictor ทั้งหมดที่มีอยู่ เช่นเดิม ไม่ต้องปรับ argument control
นำฟังก์ชัน predict() ไปใช้กับชุดข้อมูลทดสอบ เพื่อสร้างเวกเตอร์ของผลลัพธ์ที่พยากรณ์ได้ อย่าลืมระบุ argument type ด้วย
สร้าง table() เพื่อเปรียบเทียบค่าที่พยากรณ์ได้กับค่า outcome จริง
คำนวณความแม่นยำของการพยากรณ์โดยใช้ฟังก์ชัน mean()

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

# 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(___)

แก้ไขและรันโค้ด