################################################################################
### Árvores de classificação (CART)
### Aplicação - Concessão de crédito
################################################################################

################################################################################
### Pacotes
################################################################################

library(rpart)
library(rpart.plot)
library(partykit)
library(fairml)

options(device = "x11")

################################################################################
### Leitura e exploração dos dados
################################################################################

data("german.credit")

help("german.credit")

dim(german.credit)
head(german.credit, 10)
summary(german.credit)

################################################################################
### Preparação dos dados
################################################################################

## Recodificação das categorias para facilitar a visualização
german.credit$Savings_bonds <- factor(
    german.credit$Savings_bonds,
    labels = c("I", "II", "III", "IV", "V")
)

## I: < 100 DM
## II: 100-500 DM
## III: 500-1000 DM
## IV: >= 1000 DM
## V: Desconhecido

german.credit$Credit_history <- factor(
    german.credit$Credit_history,
    labels = c("A", "B", "C", "D", "E")
)

## A: Todos os créditos no banco devidamente pagos
## B: Conta crítica; outros créditos existentes
## C: Atraso de pagamento no passado
## D: Créditos existentes pagos devidamente até agora
## E: Nenhum crédito tomado

german.credit$Account_status <- factor(
    german.credit$Account_status,
    labels = c("I", "II", "III", "IV")
)

## I: < 0 DM
## II: 0-200 DM
## III: >= 200 DM
## IV: Informação não disponível

################################################################################
### Ajuste da árvore de classificação
################################################################################

## Resposta: Credit_risk
## Preditores: demais características dos clientes

help("rpart")
help("rpart.control")
help("rpart.plot")

## Ajuste inicial
arvore1 <- rpart(Credit_risk ~ ., data = german.credit, method = "class")

## Resumo do ajuste
arvore1
summary(arvore1)

################################################################################
### Visualização da árvore inicial
################################################################################

## Visualização básica
plot(arvore1)
text(arvore1)

## Visualização com rpart.plot
rpart.plot(arvore1)

## Visualização com partykit
plot(as.party(arvore1))

################################################################################
### Seleção e poda da árvore
################################################################################

## Tabela de custo-complexidade
printcp(arvore1)

## Curva de custo-complexidade
plotcp(arvore1)

## Seleção do cp com menor erro de validação cruzada
tabela_cp <- arvore1$cptable
cp_otimo <- tabela_cp[which.min(tabela_cp[, "xerror"]), "CP"]

## Poda da árvore
arvore2 <- prune(arvore1, cp = cp_otimo)

## Resumo da árvore podada
arvore2
summary(arvore2)

################################################################################
### Visualização da árvore podada
################################################################################

## Visualização básica
plot(arvore2)
text(arvore2)

## Visualização com rpart.plot
rpart.plot(arvore2)

## Visualização com partykit
plot(as.party(arvore2))

################################################################################
### Importância das variáveis
################################################################################

## Importância segundo o CART
arvore2$variable.importance

## Importância em gráfico
vip::vip(arvore2)
