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, kursun bir parçasıdır

R ile Kredi Riski Modellemesi

Kursa Göz Atın

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 etkileşimli egzersiz

Bu egzersizi bu örnek kodu tamamlayarak deneyin.

# 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