最终树的混淆矩阵与准确率

在之前的练习中，您共构建了 4 棵经过剪枝的决策树。可以看到，各树的最终切分次数差异较大：

ptree_undersample  # 7 splits
ptree_prior  # 9 splits
ptree_loss_matrix  # 24 splits
ptree_weights  # 6 splits

现在需要判断哪棵树在准确率方面表现最佳。为此，您将先使用测试集进行预测，并为每棵树构建混淆矩阵。在预测时加入参数 type = "class"。这样就无需设置阈值。

不过需要注意的是，不仅要关注准确率，还要关注灵敏度（召回率）和特异度。另外，预测概率而不是二元值（0 或 1）的好处是可以调整阈值。但相应的难点在于如何选择阈值。下一章我们会回到这个话题。

如果需要回顾，准确率的计算方式如下： $$\textrm{Classification accuracy} = \frac{(TP + TN)}{(TP + FP + TN + FN)}$$

使用 predict() 为这 4 棵树分别生成预测。将 test_set 传入参数 newdata。别忘了包含 type = "class"！
为每棵决策树构建混淆矩阵。使用 table() 函数，先放入"真实"状态（使用 test_set$loan_status），然后放入预测结果。
使用各自的混淆矩阵计算准确率。