K ең жақын көршілер. Ағаш үлгілері. Статистикалық Машиналық оқыту
жүктеу/скачать 1,63 Mb.
|
12-дәріс (1)
| Қарапайым мысал
R - де ағаш тәрізді сәндеуге арналған екі негізгі бағдарламалық пакет бар — lei-rpart және tree. Rpart пакетінің көмегімен модель payment_inc_ratio және borrower_score айнымалыларын қолдана отырып, кемелер туралы 3000 жазбаның үлгісіне бейімделеді library(rpart) loan_tree <- rpart(outcome ~ borrower_score + payment_inc_ratio, data=loan_data, control = rpart.control(cp=.005)) plot(loan_tree, uniform=TRUE, margin=.05) text(loan_tree) Алынған ағаш 6.3-суретте көрсетілген. 6.3. Бұл жіктеу ережелері иерархиялық ағашты айналып өтіп, тамырдан бастап, жапырақ тигенше орнатылады. 6.3.-сурет. Несие деректеріне сәйкес келетін қарапайым ағаш үлгісінің ережелері Әдетте, ағаш төңкеріліп көрсетіледі, осылайша тамыр жоғарғы жағында, ал жапырақтары төменгі жағында болады. Мысалы, егер біз қарыз алушының borrower_score ұпайы 0,6-ға тең және төлемдер мен payment inc_ratio кірісінің коэффициенті 8,0-ге тең несие алсақ, онда біз сол жақтағы параққа келеміз және несие өтеледі деп болжаймыз. Ағаштың құрылымдық басып шығарылған нұсқасын жасау да қиын емес: loan_tree n= 3000 node), split, n, loss, yval, (yprob) * denotes terminal node 1) root 3000 1467 paid off (0.5110000 0.4890000) 2) borrower_score>=0.525 1283 474 paid off (0.6305534 0.3694466) 4) payment_inc_ratio< 8.772305 845 249 paid off (0.7053254 0.2946746) * 5) payment_inc_ratio>=8.772305 438 213 default (0.4863014 0.5136986) 10) borrower_score>=0.625 149 60 paid off (0.5973154 0.4026846) * 11) borrower_score< 0.625 289 124 default (0.4290657 0.5709343) * 3) borrower_score< 0.525 1717 724 default (0.4216657 0.5783343) 6) payment_inc_ratio< 9.73236 1082 517 default (0.4778189 0.5221811) 12) borrower_score>=0.375 784 384 paid off (0.5102041 0.4897959) * 13) borrower_score< 0.375 298 117 default (0.3926174 0.6073826) * 7) payment_inc_ratio>=9.73236 635 207 default (0.3259843 0.6740157) * Ағаштың тереңдігі шегініспен көрсетілген. Әрбір түйін берілген сегменттегі басым нәтижемен анықталған алдын ала жіктеуге сәйкес келеді. "Теру" - бұл сегменттегі алдын-ала жіктеу нәтижесінде пайда болатын қате жіктеу нәтижелерінің саны. Мысалы, 2-түйінде 1467 жазбаның жалпы санынан 474 қате жіктеу нәтижелері болды. Жақшадағы мәндер сәйкесінше өтелген және қайтарылмайтын кемелер туралы жазбалардың үлесін білдіреді. Мысалы, қайтарылмауды болжайтын 13-түйінде жазбалардың 60% — дан астамы қайтарылмайтын несиелер болып табылады. жүктеу/скачать 1,63 Mb. Достарыңызбен бөлісу:
|