Kayıp matrisi ile ağacı budama

Bu egzersizde, yanlış sınıflandırılan temerrütleri, yanlış sınıflandırılan temerrüt dışı durumlardan daha fazla cezalandırmak için bir kayıp matrisi kullanılarak kurulmuş ağacı budayacaksın.

Bu egzersiz

R ile Kredi Riski Modellemesi

kursunun bir parçasıdır

Kursu Görüntüle

Egzersiz talimatları

Tohumu ayarlamak ve tree_loss_matrixi yeniden oluşturmak için kodu çalıştır.
Çapraz doğrulama hatası yapısını incelemek için plotcp() fonksiyonunu kullan.
cp grafiğine baktığında, minimum çapraz doğrulama hatasıyla budamanın, çapraz doğrulama hatası cp = 0.001 için minimuma ulaştığından, budanmamış ağaç kadar büyük bir ağaçla sonuçlanacağını fark edeceksin. Ağacı biraz daha küçük yapmak istediğin için, cp = 0.0012788 kullanarak budamayı dene. Bu karmaşıklık parametresi için çapraz doğrulama hatası, gözlemlenen minimum hataya yaklaşır. Budanmış ağacı ptree_loss_matrix olarak adlandır.
rpart.plot paketi çalışma alanına yüklü. Budanmış ağacı prp() fonksiyonunu kullanarak çiz (argüman extra = 1 dahil).

Uygulamalı interaktif egzersiz

Bu örnek kodu tamamlayarak bu egzersizi bitirin.

# set a seed and run the code to construct the tree with the loss matrix again
set.seed(345)
tree_loss_matrix  <- rpart(loan_status ~ ., method = "class", data = training_set,
                           parms = list(loss=matrix(c(0, 10, 1, 0), ncol = 2)),
                           control = rpart.control(cp = 0.001))

# Plot the cross-validated error rate as a function of the complexity parameter


# Prune the tree using cp = 0.0012788


# Use prp() and argument extra = 1 to plot the pruned tree

Kodu Düzenle ve Çalıştır