Побудова та оцінювання більшого дерева

Раніше ви створили просте дерево рішень, яке використовувало кредитний рейтинг заявника та запитану суму позики, щоб передбачити результат за позикою.

Lending Club має додаткову інформацію про заявників, як-от статус володіння житлом, стаж роботи, мета позики та минулі банкрутства, що може бути корисним для точніших прогнозів.

Використовуючи всі наявні дані про заявників, побудуйте складнішу модель кредитування на основі випадкової тренувальної вибірки, створеної раніше. Потім застосуйте цю модель до тестової вибірки, щоб оцінити її якість на майбутніх заявках на позику.

Пакет rpart уже завантажено, а набори даних loans_train і loans_test створено.

Ця вправа є частиною курсу

Наглядове навчання в R: Класифікація

Переглянути курс

Інструкції до вправи

Скористайтеся rpart(), щоб побудувати модель для позики на тренувальній вибірці з використанням усіх наявних предикторів. Знову ж, аргумент control не змінюйте.
Застосувавши функцію predict() до тестової вибірки, створіть вектор передбачених результатів. Не забудьте про аргумент type.
Створіть table(), щоб порівняти передбачені значення з фактичними значеннями outcome.
Обчисліть точність передбачень за допомогою функції mean().

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# 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(___)

Редагувати та запускати код