Nichtlineare Modellierung mit Generalized Additive Models (GAMs) in R

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.

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.

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.

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.