使用损失矩阵剪枝
在本练习中，您将对使用损失矩阵构建的树进行剪枝，从而对"违约被错分"为非违约施加比"非违约被错分"为违约更高的惩罚。
本练习是课程的一部分
R 中的信用风险建模
练习说明
- 运行代码以再次设置随机种子并构建
tree_loss_matrix。 - 使用函数 plotcp() 查看交叉验证误差结构。
- 观察 cp 图，您会发现，按最小交叉验证误差进行剪枝会得到与未剪枝树同样大小的树，因为当
cp = 0.001时交叉验证误差达到最小。由于您希望将树适当变小，请尝试使用cp = 0.0012788进行剪枝。对于该复杂度参数，交叉验证误差接近观测到的最小误差。将剪枝后的树命名为ptree_loss_matrix。 - 工作空间已加载
rpart.plot包。使用函数prp()绘制剪枝后的树（包含参数extra = 1）。
交互式实操练习
通过完成这段示例代码来试试这个练习。
# set a seed and run the code to construct the tree with the loss matrix again
set.seed(345)
tree_loss_matrix <- rpart(loan_status ~ ., method = "class", data = training_set,
parms = list(loss=matrix(c(0, 10, 1, 0), ncol = 2)),
control = rpart.control(cp = 0.001))
# Plot the cross-validated error rate as a function of the complexity parameter
# Prune the tree using cp = 0.0012788
# Use prp() and argument extra = 1 to plot the pruned tree