建立並評估較大的樹模型
之前，你建立了一棵簡單的決策樹，使用申請人的信用分數與申請貸款金額來預測貸款結果。
Lending Club 也掌握申請人的其他資訊，例如是否自有房屋、就業年資、貸款用途，以及過去是否破產，這些都可能有助於做出更精準的預測。
請使用所有可用的申請人資料，透過先前建立的隨機訓練資料集，打造一個更進階的放款模型。接著，將此模型套用到測試資料集，對未來的貸款申請表現進行估計。
rpart 套件已預先載入，loans_train 與 loans_test 資料集也已建立。
本練習屬於課程
R 監督式學習：分類
練習說明
- 使用
rpart()，以訓練資料集與所有可用的自變數來建立貸款模型。同樣地，control參數維持不變。 - 對測試資料集套用
predict()，建立一個預測結果的向量。別忘了設定type參數。 - 建立一個
table()，將預測值與實際的outcome值做比較。 - 使用
mean()函式計算預測的正確率。
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。
# 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(___)