在更改先验概率后剪枝
在视频中，您已经学习到，为了避免过拟合，需要对树进行剪枝。前面练习里出现了一些很大的树。现在请将所学应用到实践中，对先验概率已更改的树进行剪枝。rpart 包已在您的工作空间中加载。
首先请设置随机种子，以确保结果可复现，就像视频中提到的那样，因为您将检查交叉验证误差。由于存在随机性，如果使用不同的随机种子再次运行函数，结果可能会略有不同。
在本练习中，您将学习如何找出哪个复杂度参数（CP）可以使交叉验证误差最小，然后根据该值对您的树进行剪枝。
本练习是课程的一部分
R 中的信用风险建模
练习说明
tree_prior已加载到您的工作空间。- 使用
plotcp()可视化tree_prior的复杂度参数与交叉验证误差（X-val Relative Error）的关系。 - 使用
printcp()打印包含 CP、分裂次数和误差的信息表。查看您是否能识别出tree_prior中哪个分裂对应的交叉验证误差最小。 - 使用
which.min()找到tree_prior$cptable中交叉验证误差"xerror"最小的是哪一行。将结果赋给index。 - 在列
"CP"中，按index从tree_prior$cptable取值，创建tree_min。 - 使用
prune()获得剪枝后的树。将剪枝后的树命名为ptree_prior。 - 包
rpart.plot已在您的工作空间中加载。使用函数 prp()（默认设置）绘制剪枝后的树。
交互式实操练习
通过完成这段示例代码来试试这个练习。
# tree_prior is loaded in your workspace
# Plot the cross-validated error rate as a function of the complexity parameter
# Use printcp() to identify for which complexity parameter the cross-validated error rate is minimized.
# Create an index for of the row with the minimum xerror
index <- which.min(___$___[ , "xerror"])
# Create tree_min
tree_min <- tree_prior$cptable[index, "CP"]
# Prune the tree using tree_min
ptree_prior <- prune(___, cp = ___)
# Use prp() to plot the pruned tree