對訓練集進行欠抽樣
在影片中，你看到為了克服類別不平衡的問題，可以使用欠抽樣或過度抽樣。我們已替你對訓練集進行欠抽樣，使得訓練集中 1/3 為違約樣本，2/3 為未違約樣本。處理後的資料集已放在你的工作環境中，名稱為 undersampled_training_set，而且觀測值較少（6570 筆，相較於原本的 19394 筆）。在本練習中，你將使用這個欠抽樣後的資料集來建立決策樹。
你會注意到本題與下一題產生的樹都非常大，大到幾乎看不清楚。先別擔心，我們會在下一支影片介紹如何把它們變得更容易閱讀！
本練習屬於課程
R 的信用風險建模
練習說明
- 已為你安裝好 rpart 套件。請在工作環境中載入它。
- 修改提供的程式碼，改為使用欠抽樣後的訓練集來建構決策樹，不要用
training_set。另外加入引數control = rpart.control(cp = 0.001)。cp（complexity parameter，複雜度參數）是任何分割導致整體擬合度不足下降的門檻值。若未達到cp，將不再進行進一步分割。cp的預設值是 0.01，但對於較複雜的問題，建議放寬cp。 - 使用函式 plot 與樹物件名稱繪製決策樹。加入第二個引數
uniform = TRUE以得到等長的分支。 - 上一個指令只會畫出節點與邊，沒有任何文字（也就是所謂的「標籤」）。使用函式
text()，且唯一的引數為tree_undersample，來加上標籤。
動手互動練習
試著完成這個範例程式碼，體驗一下這個練習。
# 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