Güzelce budanmış bir ağaç oluşturma
Bir ağacın büyümesini tamamen durdurmak, verinin bazı yönlerini göz ardı etmesine ya da daha sonra keşfedebileceği önemli eğilimleri kaçırmasına yol açabilir.
Post-pruning kullanarak, kasıtlı olarak büyük ve karmaşık bir ağaç büyütüp sonra onu daha küçük ve verimli olacak şekilde budayabilirsin.
Bu egzersizde, ağacın performansı ile karmaşıklığı arasındaki ilişkiyi görselleştirme fırsatın olacak ve bu bilgiyi kullanarak ağacı uygun bir seviyeye kadar budayacaksın.
rpart paketi ile birlikte loans_test ve loans_train önceden yüklendi.
Bu egzersiz, kursun bir parçasıdır
R'de Supervised Learning: Sınıflandırma
Egzersiz talimatları
- Tüm başvuran değişkenlerini kullanarak ve ön budama olmadan aşırı karmaşık bir ağaç oluştur. Ön budamayı engellemek için
rpart.control()içindecp = 0ayarladığından emin ol. - Model üzerinde
plotcp()kullanarak bir karmaşıklık grafiği oluştur. - Karmaşıklık grafiğine dayanarak,
prune()fonksiyonunu ağaç ve karmaşıklık parametresiyle kullanıp ağacı 0.0014 karmaşıklık seviyesine buda. - Budanmış ağacın doğruluğunu, özgün %58.3 doğrulukla karşılaştır. Doğruluğu hesaplamak için
predict()vemean()fonksiyonlarını kullan.
Uygulamalı etkileşimli egzersiz
Bu egzersizi bu örnek kodu tamamlayarak deneyin.
# Grow an overly complex tree
loan_model <- ___
# Examine the complexity plot
plotcp(___)
# Prune the tree
loan_model_pruned <- ___(___, cp = ___)
# Compute the accuracy of the pruned tree
loans_test$pred <- ___
mean(___)