Über 700 Kurse zum halben Preis
Kursbeschreibung
Generalized Additive Models sind ein leistungsfähiges Werkzeug für Vorhersage und Inferenz. Sie sind flexibler als lineare Modelle und verständlicher als Black-Box-Methoden: GAMs bilden Zusammenhänge in Daten als nichtlineare Funktionen ab, die sich sehr gut an unterschiedliche Datentypen und Data-Science-Probleme anpassen. In diesem Kurs lernst du, wie GAMs funktionieren und wie du sie mit dem beliebten Paket mgcv konstruierst. Du erfährst, wie du deine Modellergebnisse interpretierst, erklärst und visualisierst und wie du Modellprobleme diagnostizierst und behebst. Du arbeitest mit Datensätzen, die dir zeigen, wie du GAMs in verschiedenen Situationen einsetzt: Fahrzeugleistungsdaten für gemischte lineare und nichtlineare Modelle, Bodenkontaminationsdaten für georäumliche Modelle sowie Kundendaten zum Kaufverhalten für Klassifikation und Vorhersage. Am Ende dieses Kurses hast du einen Werkzeugkasten, um viele Data-Science-Probleme zu lösen.
Voraussetzungen
Lernprogramm
Kursübersicht
1
Einführung in Generalized Additive Models
In diesem Kapitel lernst du, wie Generalized Additive Models funktionieren und wie du flexible, nichtlineare Funktionen nutzt, um Daten ohne Overfitting zu modellieren. Du lernst die Funktion `gam()` aus dem Paket mgcv kennen und wie du multivariate Modelle aufbaust, die nichtlineare, lineare und kategoriale Effekte kombinieren.
- Einführung50 XP
- Motorrad-Crash-Daten: linearer Ansatz100 XP
- Motorradunfalldaten: nichtlinearer Ansatz100 XP
- Bestandteile einer nichtlinearen Funktion100 XP
- Basisfunktionen und Glättung50 XP
- Komplexität des Motorrad-Modells festlegen100 XP
- Mit Glättungsparametern Overfitting vermeiden100 XP
- Komplexität und Glättung gemeinsam steuern100 XP
- Multivariate GAMs50 XP
- Multivariate GAMs zur Fahrzeugleistung100 XP
- Kategorien zum Auto-Performance-Modell hinzufügen100 XP
- Kategoriebezogene Smooths für verschiedene Auto-Typen100 XP
2
GAMs interpretieren und visualisieren
In diesem Kapitel schaust du dir die Modelle aus Kapitel 1 genauer an und lernst, wie du sie interpretierst und erklärst. Du erstellst Plots, die zeigen, wie verschiedene Variablen die Modellergebnisse beeinflussen. Anschließend diagnostizierst du Probleme, die durch Underfitting oder verborgene Zusammenhänge zwischen Variablen entstehen, und wie du diese iterativ behebst, um bessere Ergebnisse zu erzielen.
3
Räumliche GAMs und Interaktionen
In diesem Kapitel erweiterst du die Arten von Modellen, die du anpassen kannst, um Interaktionen mehrerer Variablen. Du passt Modelle für georäumliche Daten an, indem du diese Interaktionen nutzt, um komplexe Flächen zu modellieren, und visualisierst diese Flächen in 3D. Danach lernst du Interaktionen zwischen glatten und kategorialen Variablen kennen und wie du Interaktionen zwischen sehr unterschiedlichen Variablen wie Raum und Zeit modellierst.
4
Logistische GAMs für Klassifikation
In den ersten drei Kapiteln hast du GAMs für die Regression kontinuierlicher Zielgrößen verwendet. In diesem Kapitel nutzt du GAMs für Klassifikation. Du baust logistische GAMs, um binäre Zielgrößen wie das Kaufverhalten von Kund:innen vorherzusagen, lernst, diesen neuen Modelltyp zu visualisieren, Vorhersagen zu treffen und zu erklären, welche Variablen jede Vorhersage beeinflussen.
R
Nichtlineare Modellierung mit Generalized Additive Models (GAMs) in R
Kurs
abgeschlossen
