Inne opcje drzewa i konstruowanie macierzy pomyłek

Modelowanie ryzyka kredytowego w R

Lore Dirick

Manager of Data Science Curriculum at Flatiron School

Inne przydatne argumenty rpart()

W rpart()
- weights: wagi obserwacji
W argumencie control funkcji rpart() (rpart.control)
- minsplit: minimalna liczba obserwacji do próby podziału
- minbucket: minimalna liczba obserwacji w węźle liścia

pred_undersample_class = predict(ptree_undersample, newdata = test_set, type ="class")

1     2     3    ...   29073 29079 29084 29090 29091
0     0     0    ...     1     0     0     0     0

LUB

pred_undersample = predict(ptree_undersample, newdata = test_set)

          0         1
1     0.7382920 0.2617080
2     0.5665138 0.4334862
3     0.5992366 0.4007634
          ...          ... 
29084 0.7382920 0.2617080
29090 0.7382920 0.2617080
29091 0.7382920 0.2617080

Konstruowanie macierzy pomyłek

table(test_set$loan_status, pred_undersample_class)

pred_undersample_class
       0    1
  0 8314  346
  1  964   73

Czas na ćwiczenia!

Modelowanie ryzyka kredytowego w R