Створення вдало обрізаного дерева

Зупинка росту дерева до повної глибини може призвести до того, що воно проігнорує частину даних або пропустить важливі закономірності, які з'явилися б пізніше.

За допомогою пост-обрізання (post-pruning) ви свідомо вирощуєте велике й складне дерево, а потім обрізаєте його до меншого й ефективнішого.

У цій вправі ви зможете побудувати візуалізацію залежності якості дерева від його складності та використати цю інформацію, щоб обрізати дерево до доречного рівня.

Пакет rpart уже завантажено, так само як і loans_test та loans_train.

Ця вправа є частиною курсу

Наглядове навчання в R: Класифікація

Переглянути курс

Інструкції до вправи

Використайте всі змінні заявника і не застосовуйте попереднє обрізання, щоб створити надто складне дерево. Обов'язково встановіть cp = 0 у rpart.control(), щоб вимкнути попереднє обрізання.
Створіть графік складності, викликавши plotcp() для моделі.
Спираючись на графік складності, обріжте дерево до складності 0.0014 за допомогою prune() із передачею дерева та параметра складності.
Порівняйте точність обрізаного дерева з початковою точністю 58,3%. Щоб обчислити точність, використайте функції predict() і mean().

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# 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(___)

Редагувати та запускати код