Daha fazla seçenekle son bir ağaç

Bu egzersizde, videoda bahsedilen bazı son argümanları kullanacaksın. rpart.control() fonksiyonundaki bazı ayarlar değiştirilecek ve rpart() içinde weights argümanını kullanarak ağırlıklar eklenecek. case_weights vektörü senin için oluşturuldu ve çalışma alanına yüklendi. Bu vektör, eğitim setindeki temerrüt olmayanlar için 1, temerrüt edenler için 3 ağırlık içerir. Temerrüt sınıfına daha yüksek ağırlık vererek, model temerrütleri doğru sınıflandırmaya daha fazla önem atfeder.

Bu egzersiz

R ile Kredi Riski Modellemesi

kursunun bir parçasıdır

Kursu Görüntüle

Egzersiz talimatları

Tohumu 345 olarak ayarla.
Verilen koda case_weights'i rpart() fonksiyonunun weights argümanına geçirerek ekleme yap.
rpart.control içinde minsplit ve minbucket argümanlarını kullanarak bir düğümde izin verilen minimum bölünme sayısını 5, yaprak düğümlerde izin verilen minimum gözlem sayısını 2 olacak şekilde değiştir.
Çapraz doğrulamalı hata oranının en aza indirilebileceği yeri incelemek için plotcp() fonksiyonunu kullan.
which.min() ile tree_weights$cp içindeki minimum "xerror" değerine sahip satırı belirle. Bunu index değişkenine ata.
Sağlanan kodu kullanarak çapraz doğrulamalı hatanın en aza indiği cp değerini seç.
Çapraz doğrulamalı hata oranının en aza indiği karmaşıklık parametresini kullanarak ağacı buda. Budanmış ağacı ptree_weights içinde sakla.
Budanmış ağacı prp() fonksiyonuyla görselleştir. İkinci bir argüman olarak extra ekle ve değerini 1 yap.

Uygulamalı interaktif egzersiz

Bu örnek kodu tamamlayarak bu egzersizi bitirin.

# set a seed and run the code to obtain a tree using weights, minsplit and minbucket
set.seed(345)
tree_weights <- rpart(loan_status ~ ., method = "class",
                      data = training_set,
                      control = rpart.control(minsplit = ___, minbucket = ___, cp = 0.001))

# Plot the cross-validated error rate for a changing cp


# Create an index for of the row with the minimum xerror
index <- which.min(___$___[ , "xerror"])

# Create tree_min
tree_min <- tree_weights$cp[index, "CP"]

# Prune the tree using tree_min


# Plot the pruned tree using the rpart.plot()-package

Kodu Düzenle ve Çalıştır