Eğitim setinde eksik örnekleme (undersampling)

Videoda, dengesiz veri sorununu aşmak için eksik örnekleme (undersampling) veya fazla örnekleme (oversampling) kullanabileceğini gördün. Eğitim seti senin için eksik örneklenmiş durumda; buna göre eğitim setinin 1/3'ü temerrütlerden, 2/3'ü temerrüt dışından oluşuyor. Ortaya çıkan veri kümesi çalışma alanında undersampled_training_set adıyla mevcut ve daha az gözlem içeriyor (19394 yerine 6570). Bu egzersizde, eksik örneklenmiş veri kümesini kullanarak bir karar ağacı oluşturacaksın.

Bu ve sonraki egzersizlerdeki ağaçların çok büyük olduğunu, hatta okunamayacak kadar büyük olduklarını fark edeceksin. Şimdilik endişelenme; bir sonraki videoda bunları nasıl daha yönetilebilir hale getireceğini anlatacağız!

Bu egzersiz

R ile Kredi Riski Modellemesi

kursunun bir parçasıdır

Kursu Görüntüle

Egzersiz talimatları

rpart paketi senin için kuruldu. Paketi çalışma alanına yükle.
Verilen kodu, training_set yerine eksik örneklenmiş eğitim setini kullanarak bir karar ağacı oluşturacak şekilde değiştir. Buna ek olarak control = rpart.control(cp = 0.001) argümanını ekle. Karmaşıklık parametresi olan cp, herhangi bir bölünme için toplam uyumsuzluktaki azalma eşiğidir. cp eşiği sağlanmazsa daha fazla bölünme denenmez. cp'nin varsayılan değeri 0.01'dir, ancak karmaşık problemler için cp'yi esnetmek önerilir.
Karar ağacını, plot fonksiyonunu ve ağaç nesnesinin adını kullanarak çiz. Eşit boyutlu dallar elde etmek için ikinci argüman olarak uniform = TRUE ekle.
Önceki komut, üzerinde metin (ya da “etiket”) olmayan düğüm ve kenarlardan oluşan bir ağaç oluşturur. Etiket eklemek için yalnızca tree_undersample argümanıyla text() fonksiyonunu kullan.

Uygulamalı interaktif egzersiz

Bu örnek kodu tamamlayarak bu egzersizi bitirin.

# Load package rpart in your workspace.


# Change the code provided in the video such that a decision tree is constructed using the undersampled training set. Include rpart.control to relax the complexity parameter to 0.001.
tree_undersample <- rpart(loan_status ~ ., method = "class",
                          data =  training_set)

# Plot the decision tree


# Add labels to the decision tree

Kodu Düzenle ve Çalıştır