Karar ağacını budama

R ile Kredi Riski Modellemesi

Lore Dirick

Manager of Data Science Curriculum at Flatiron School

Büyük karar ağaçlarının sorunları

Çok karmaşık: artık anlaşılır değil
Test setinde aşırı uyum
Çözüm: budama için printcp(), plotcp() kullanın

Printcp ve tree_undersample

printcp(tree_undersample)

Classification tree:
rpart(formula = loan_status ~ ., data = undersampled_training_set, method = "class",
 control = rpart.control(cp = 0.001))
Variables actually used in tree construction:
age    annual_inc     emp_cat     grade    home_ownership   ir_cat     loan_amnt     
Root node error: 2190/6570 = 0.33333
n= 6570 
        CP    nsplit  rel error   xerror      xstd
1  0.0059361      0    1.00000   1.00000   0.017447
2  0.0044140      4    0.97443   0.99909   0.017443
3  0.0036530      7    0.96119   0.98174   0.017366
4  0.0031963      8    0.95753   0.98904   0.017399
               ...  
16 0.0010654     76    0.84247   1.02511   0.017554
17 0.0010000     79    0.83927   1.02511   0.017554

Plotcp ve tree_undersample

Ekran Görüntüsü 22.06.2020 17.57.10.png

Plotcp ve tree_undersample

Ekran Görüntüsü 22.06.2020 17.56.53.png

$CP = 0.003653$

Budanmış ağacı çizdirme

Ekran Görüntüsü 23.06.2020 18.16.04.png

ptree_undersample=prune(tree_undersample,
                        cp = 0.003653)

plot(ptree_undersample,
     uniform=TRUE)

text(ptree_undersample)

Budanmış ağacı çizdirme

Ekran Görüntüsü 23.06.2020 18.15.42.png

ptree_undersample=prune(tree_undersample,
                        cp = 0.003653)

plot(ptree_undersample,
     uniform=TRUE)

text(ptree_undersample,
     use.n=TRUE)

rpart.plot paketinde prp()

Ekran Görüntüsü 22.06.2020 18.05.09.png

library(rpart.plot)
prp(ptree_undersample)

part.plot paketinde prp()

Ekran Görüntüsü 22.06.2020 18.04.33.png

library(rpart.plot)
prp(ptree_undersample, extra = 1)

Haydi pratik yapalım!

R ile Kredi Riski Modellemesi