Daha büyük bir ağaç oluşturma ve değerlendirme

Daha önce, başvuranın kredi puanı ve talep edilen kredi tutarını kullanarak kredi sonucunu tahmin eden basit bir karar ağacı oluşturmuştun.

Lending Club, daha doğru tahminler yapmana yardımcı olabilecek, başvuranlara ait ev sahipliği durumu, çalışma süresi, kredi amacı ve geçmiş iflaslar gibi ek bilgilere de sahip.

Mevcut tüm başvuru verilerini kullanarak, daha önce oluşturulan rastgele eğitim veri kümesiyle daha gelişmiş bir kredi verme modeli kur. Ardından bu modeli, gelecekteki kredi başvurularındaki performansı tahmin etmek için test veri kümesi üzerinde kullan.

rpart paketi önceden yüklendi ve loans_train ile loans_test veri kümeleri oluşturuldu.

Bu egzersiz, kursun bir parçasıdır

R'de Supervised Learning: Sınıflandırma

Kursa Göz Atın

Egzersiz talimatları

Eğitim veri kümesini ve mevcut tüm yordayıcıları kullanarak rpart() ile bir kredi modeli kur. Yine, control argümanına dokunma.
predict() fonksiyonunu test veri kümesine uygulayarak tahmin edilen sonuçlardan oluşan bir vektör oluştur. type argümanını unutma.
Tahmin edilen değerleri gerçek outcome değerleriyle karşılaştırmak için bir table() oluştur.
Tahminlerin doğruluğunu mean() fonksiyonunu kullanarak hesapla.

Uygulamalı etkileşimli egzersiz

Bu egzersizi bu örnek kodu tamamlayarak deneyin.

# Grow a tree using all of the available applicant data
loan_model <- rpart(___, data = ___, method = "___", control = rpart.control(cp = 0))

# Make predictions on the test dataset
loans_test$pred <- ___

# Examine the confusion matrix
table(___, ___)

# Compute the accuracy on the test dataset
mean(___)

Kodu Düzenle ve Çalıştır