Oui, l'action permet un contrôle granulaire via le paramètre nLeaf. Cet argument permet de sélectionner le sous-arbre possédant exactement le nombre de feuilles demandé. Si aucun sous-arbre ne correspond précisément à ce chiffre, dtreePrune sélectionnera intelligemment le sous-arbre dont le nombre de feuilles est le plus proche tout en restant inférieur à la cible. C'est une fonctionnalité majeure pour les entreprises qui ont des contraintes réglementaires ou opérationnelles de lisibilité des règles de décision.
Est-il possible de piloter la complexité du modèle en imposant un nombre précis de feuilles ?
Exemples pour l'action dtreePrune
Élagage par coût-complexité
Exemple simple montrant comment utiliser l'élagage par coût-complexité avec l'hyperparamètre `alpha`.
Élagage par erreur réduite avec extraction du score aStore
Cet exemple utilise une approche de validation par erreur réduite. Il évalue le modèle avec une table de validation (`table`), exige un nombre cible de feuilles (`nLeaf`), et sauvegarde le modèle optimisé au format %%aStore%% prêt à l'emploi !
Cette réponse vous a-t-elle aidé ?
À lire aussi...
Pourquoi l'élagage avec dtreePrune est-il vital pour la performance de vos modèles prédictifs ?
Comment optimiser la précision de vos arbres de régression grâce au paramètre alpha ?
Quelle est la stratégie d'élagage la plus efficace entre C4.5 et Reduced-Error ?
Comment transformer un modèle élagué en un actif industriel prêt pour la production ?
Peut-on mesurer l'impact de l'élagage sur l'importance des variables ?