Après avoir suivi ces cours, je me sens confiant dans la création de visualisations et de tableaux de bord professionnels.
Shoebur RahmanSpécialiste des marchés publics, Giz Bangladesh
Description du cours
Les Generalized Additive Models sont un outil puissant pour la prédiction comme pour l’inférence. Plus flexibles que les modèles linéaires et plus compréhensibles que les méthodes de type boîte noire, les GAM modélisent les relations dans les données au moyen de fonctions non linéaires, très adaptables à différents types de données et de problématiques de data science. Dans ce cours, vous découvrirez le fonctionnement des GAM et apprendrez à les construire avec le package mgcv. Vous verrez comment interpréter, expliquer et visualiser les résultats de vos modèles, ainsi que diagnostiquer et corriger leurs problèmes. Vous travaillerez sur des jeux de données qui vous montreront comment appliquer les GAM à diverses situations : données de performance automobile pour bâtir des modèles mêlant effets linéaires et non linéaires, données de pollution des sols pour construire des modèles géospatiaux, et données d’achats de consommateurs pour la classification et la prédiction. À la fin du cours, vous disposerez d’une boîte à outils pour résoudre de nombreux problèmes de data science.
Prérequis
Programme de formation
Plan du cours
1
Introduction aux Generalized Additive Models
Dans ce chapitre, vous verrez comment fonctionnent les Generalized Additive Models et comment utiliser des fonctions non linéaires flexibles pour modéliser les données sans surapprentissage. Vous apprendrez à utiliser la fonction gam() du package mgcv, et à construire des modèles multivariés qui combinent effets non linéaires, linéaires et catégoriels.
- Introduction50 XP
- Données d’accident de moto : approche linéaire100 XP
- Données d’accidents de moto : approche non linéaire100 XP
- Composantes d’une fonction non linéaire100 XP
- Fonctions de base et lissage50 XP
- Définir la complexité du modèle de moto100 XP
- Utiliser les paramètres de lissage pour éviter le surapprentissage100 XP
- Complexité et lissage ensemble100 XP
- GAM multivariés50 XP
- GAM multivariés des performances automobiles100 XP
- Ajouter des variables catégorielles au modèle de performance automobile100 XP
- Lissages par catégorie selon les types d’auto100 XP
2
Interprétation et visualisation des GAM
Dans ce chapitre, vous examinerez de plus près les modèles ajustés au chapitre 1 et apprendrez à les interpréter et les expliquer. Vous verrez comment créer des graphiques montrant l’effet des différentes variables sur les résultats du modèle. Vous diagnostiquerez ensuite les problèmes liés à un sous-ajustement des données ou à des relations cachées entre variables, et apprendrez à les corriger de manière itérative pour obtenir de meilleurs résultats.
3
GAM spatiaux et interactions
Dans ce chapitre, vous étendrez les types de modèles que vous pouvez ajuster à ceux comportant des interactions entre plusieurs variables. Vous ajusterez des modèles sur des données géospatiales en utilisant ces interactions pour modéliser des surfaces complexes, et vous visualiserez ces surfaces en 3D. Vous étudierez ensuite les interactions entre variables lissées et catégorielles, et comment modéliser des interactions entre des variables très différentes comme l’espace et le temps.
4
GAM logistiques pour la classification
Dans les trois premiers chapitres, vous avez utilisé les GAM pour la régression de variables continues. Dans ce chapitre, vous utiliserez les GAM pour la classification. Vous construirez des GAM logistiques pour prédire des résultats binaires comme le comportement d’achat des clients, apprendrez à visualiser ce nouveau type de modèle, à faire des prédictions, et à expliquer les variables qui influencent chaque prédiction.
R
Modélisation non linéaire avec les Generalized Additive Models (GAM) en R
Cours
terminé
