آموزش درختان تصمیم با استفاده از R - پیش‌بینی پیش‌فرض وام بانک
Decision Trees using R - Bank Loan Default Prediction
درخت تصمیم یک چالش کلیدی در R است و نقطه قوت درخت این است که درک و خواندن آنها در مقایسه با مدل های دیگر آسان است. آنها به طور گسترده در مسائل علم داده استفاده می شوند. اینها ابزاری هستند که سلسله مراتب تصمیمات اجرا شده در تجزیه و تحلیل آماری را تولید می کنند. دانش آماری برای درک تفاسیر منطقی درخت تصمیم مورد نیاز است. همانطور که دیدیم درخت تصمیم به راحتی قابل درک است و نتایج زمانی کارآمد هستند که برچسب‌های کلاس کمتری داشته باشد و بخش منفی دیگر آن زمانی است که تعداد برچسب‌های کلاس بیشتر باشد، محاسبات پیچیده می‌شوند. این دوره باعث می شود فرد در ساختن مدل های یادگیری پیشگو و مبتنی بر درخت مهارت پیدا کند.
درخت تصمیم در R یک الگوریتم یادگیری ماشینی است که می تواند تجزیه و تحلیل درخت طبقه بندی یا رگرسیون باشد. درخت تصمیم را می توان با نمایش گرافیکی به صورت درختی با ساختار برگ و شاخه نشان داد. برگها عموماً نقاط داده هستند و شاخه ها شرط تصمیم گیری برای کلاس مجموعه داده ها هستند. درخت‌های تصمیم در R به عنوان مدل‌های یادگیری ماشینی تحت نظارت در نظر گرفته می‌شوند، زیرا نتایج ممکن نقاط تصمیم به خوبی برای مجموعه داده‌ها تعریف شده است. همچنین به عنوان مدل CART یا درختان طبقه بندی و رگرسیون نیز شناخته می شود. یک بسته R معروف به نام rpart وجود دارد که برای ایجاد درخت های تصمیم در R.
استفاده می شودبرای کار با یک درخت تصمیم به زبان R یا به زبان ساده، کار با مجموعه داده های بزرگ ضروری است و استفاده مستقیم از بسته های داخلی R کار را آسان تر می کند. درخت تصمیم یک مدل فرضی غیر خطی است که از ساختار درختی برای طبقه بندی روابط استفاده می کند. درخت تصمیم در R از دو نوع متغیر استفاده می کند: متغیر طبقه ای (بله یا خیر) و متغیرهای پیوسته. اصطلاحات درخت تصمیم شامل گره ریشه (برچسب کلاس را تشکیل می دهد)، گره تصمیم (گره های فرعی)، گره پایانی (بیشتر تقسیم نمی شود). مفهوم منحصربه‌فرد پشت این رویکرد یادگیری ماشینی این است که داده‌های داده‌شده را به کلاس‌هایی طبقه‌بندی می‌کنند که جریان بله یا خیر (رویکرد اگر-دیگر) را تشکیل می‌دهند و نتایج را در ساختار درختی نشان می‌دهند. الگوریتم مورد استفاده در درخت تصمیم در R، شاخص جینی، افزایش اطلاعات، آنتروپی است. بسته‌های مختلفی برای ساخت درخت تصمیم در R وجود دارد: rpart (باز گشتی)، حزب، جنگل تصادفی، CART (طبقه‌بندی و رگرسیون). اجرای یک درخت تصمیم در R.
بسیار آسان استبرای تجزیه و تحلیل واضح، درخت به گروه‌هایی تقسیم می‌شود: مجموعه آموزشی و مجموعه آزمایشی. پیاده سازی زیر از مجموعه داده ماشین استفاده می کند. این مجموعه داده شامل 1727 obs و 9 متغیر است که درخت طبقه بندی با آنها ساخته شده است. در این مقاله به درخت اجازه می‌دهیم یک بسته «پارتی» داشته باشیم. تابع ایجاد () درخت های شرطی را با تابع نمودار می دهد.
معرفی Introduction
-
مقدمه ای بر درخت تصمیم مدل سازی مبتنی بر درخت Introduction to Tree Based Modeling Decision Tree
شروع شدن Getting Started
-
پیش بینی نکول وام بانکی چیست؟ What is Bank Loan Default Prediction
-
سوال و کد R Question and R Code
بسته نصب Installation Package
-
همه بسته را نصب کنید All Install the Package
-
فایل اکسل را بارگیری کنید Load the Excel File
-
پاک کردن داده ها Data clean
-
آموزش و آزمایش Train and Test
-
کد مدل Model Code
-
ماتریس سردرگمی Confusion Matrix
نتیجه Conclusion
-
نتیجه Conclusion
https://donyad.com/d/406013
EDU CBA
مهارت های دنیای واقعی را بصورت آنلاین بیاموزید EDUCBA یک ارائه دهنده جهانی آموزش مبتنی بر مهارت است که نیازهای اعضا را در بیش از 100 کشور برطرف می کند. ما بزرگترین شرکت فناوری پیشرفته در آسیا با نمونه کارهای 5498+ دوره آنلاین ، 205+ مسیر یادگیری ، 150+ برنامه شغل محور (JOPs) و 50+ بسته دوره حرفه ای شغلی هستیم که توسط متخصصان برجسته صنعت آماده شده است. برنامه های آموزشی ما برنامه های مبتنی بر مهارت شغلی است که توسط صنعت در سراسر امور مالی ، فناوری ، تجارت ، طراحی ، داده و فناوری جدید و آینده مورد نیاز صنعت است.
نمایش نظرات