Weiter zum Inhalt

Kurs

Nichtlineare Modellierung mit Generalized Additive Models (GAMs) in R

MittelSchwierigkeitsgrad

Aktualisiert 09/2024

GAMs modellieren Beziehungen in Daten als nichtlineare Funktionen, die sich super an verschiedene Arten von datenwissenschaftlichen Problemen anpassen lassen.

Kurs kostenlos starten

RProbability & Statistics

4 Std.

15 Videos

50 Übungen

4,050 XP

9,103

Leistungsnachweis

Beliebt bei Lernenden in Tausenden Unternehmen

Ein Team schulen?

Für Unternehmen ausprobieren

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

Introduction to Regression in R

1

Introduction to Generalized Additive Models

In this chapter, you will learn how Generalized additive models work and how to use flexible, nonlinear functions to model data without over-fitting. You will learn to use the gam() function in the mgcv package, and how to build multivariate models that mix nonlinear, linear, and categorical effects to data.

Introduction

Motorcycle crash data: linear approach

Motorcycle crash data: non-linear approach

Parts of non-linear function

Basis functions and smoothing

Setting complexity of the motorcycle model

Using smoothing parameters to avoid overfitting

Complexity and smoothing together

Multivariate GAMs

Multivariate GAMs of auto performance

Adding categorical to the auto performance model

Category-level smooths for different auto types

Kapitel starten

2

Interpreting and Visualizing GAMs

In this chapter, you will take a closer look at the models you fit in chapter 1 and learn how to interpret and explain them. You will learn how to make plots that show how different variables affect model outcomes. Then you will diagnose problems in models arising from under-fitting the data or hidden relationships between variables, and how to iteratively fix those problems and get better results.

Interpreting GAM outputs

Significance and linearity (I)

Significance and linearity (II)

Visualizing GAMs

Plotting the motorcycle crash model and data

Plotting multiple auto performance variables

Visualizing auto performance uncertainty

Model checking with gam.check()

Reading model diagnostics

Fixing problems with model diagnostics

Checking concurvity

Examining overall concurvity in auto data

Examining concurvity between auto variables

Kapitel starten

3

Spatial GAMs and Interactions

In this chapter, you will extend the types of models you can fit to those with interactions of multiple variables. You will fit models of geospatial data by using these interactions to model complex surfaces, and visualize those surfaces in 3D. Then you will learn about interactions between smooth and categorical variables, and how to model interactions between very different variables like space and time.

Two-dimensional smooths and spatial data

Modeling soil pollution in the Netherlands

Adding more variables to predict soil pollution

Plotting and interpreting GAM interactions

Plotting the model surface

Customizing 3D plots

Extrapolation in surface plots

Visualizing categorical-continuous interactions

Soil pollution in different land uses

Plotting pollution in different land uses

Interactions with different scales: Tensors

Pollution models with multi-scale interactions

Teasing apart multi-scale interactions

Kapitel starten

4

Logistic GAMs for Classification

In the first three chapters, you used GAMs for regression of continuous outcomes. In this chapter, you will use GAMs for classification. You will build logistic GAMs to predict binary outcomes like customer purchasing behavior, learn to visualize this new type of model, make predictions, and learn how to explain the variables that influence each prediction.

Types of model outcomes

Classifying purchasing behavior

Purchase behavior with multiple smooths

Visualizing logistic GAMs

Visualizing influences on purchase probability

Interpreting purchase effect plots (I)

Interpreting purchase effect plots (II)

Interpreting purchase effect plots (III)

Making predictions

Predicting purchase behavior and uncertainty

Explaining individual behaviors

Doing more with GAMs

Kapitel starten

Nichtlineare Modellierung mit Generalized Additive Models (GAMs) in R

Kurs
abgeschlossen

Leistungsnachweis verdienen

Füge diesen Fähigkeitsnachweis zu deinem LinkedIn-Profil, Anschreiben oder Lebenslauf hinzu
Teile es auf Social Media und in deiner LeistungsbeurteilungJetzt anmelden

Schließe dich 19 Millionen Lernenden an und starte Nichtlineare Modellierung mit Generalized Additive Models (GAMs) in R heute!

DataCamp gibt es auch für Mobilgeräte

Mit unseren Kursen für Mobilgeräte und täglichen Programmier-Challenges erweiterst du deine Datenkompetenz von unterwegs.