Bygga beslutsträd med rpart()-paketet

Kreditriskmodellering i R

Lore Dirick

Manager of Data Science Curriculum at Flatiron School

Föreställ dig...

decision_tree.gif

Kreditriskmodellering i R

rpart()-paketet! Men...

  • Svårt att bygga ett bra beslutsträd för kreditriskdata
  • Huvudorsak: obalanserade data
fit_default <- rpart(loan_status ~ ., method = "class", 
                     data = training_set)
plot(fit_default)

Error in plot.rpart(fit_default) : fit is not a tree, just a root
Kreditriskmodellering i R

Tre tekniker för att hantera obalans

  • Undersampling eller oversampling
    • Noggrannhetsproblemet försvinner
    • Endast träningsuppsättningen
  • Ändra förhandssannolikheterna
  • Använda en kostnadsmatris

Validera modellen för att se vad som fungerar bäst!

Kreditriskmodellering i R

Nu kör vi en övning!

Kreditriskmodellering i R

Preparing Video For Download...