Lewati ke konten utama

Kursus

Pemodelan Nonlinier dengan Generalized Additive Models (GAM) di R

MenengahTingkat Keterampilan

Diperbarui 09/2024

Model GAM menggambarkan hubungan dalam data sebagai fungsi nonlinier yang sangat adaptif terhadap berbagai jenis masalah dalam ilmu data.

Mulai Kursus Gratis

RProbability & Statistics

4 jam

15 videos

50 Latihan

4,050 XP

9,119

Pernyataan Pencapaian

Dipercaya oleh para pelajar di ribuan perusahaan

Melatih Tim?

Coba untuk Bisnis

Deskripsi Kursus

Generalized Additive Models adalah alat yang kuat untuk prediksi dan inferensi. Lebih fleksibel daripada model linear dan lebih mudah dipahami daripada metode kotak hitam, GAM memodelkan hubungan dalam data sebagai fungsi nonlinier yang sangat mudah disesuaikan dengan berbagai jenis data dan permasalahan data science. Dalam kursus ini, Anda akan mempelajari cara kerja GAM dan cara membangunnya dengan paket mgcv yang populer. Anda akan belajar menafsirkan, menjelaskan, dan memvisualisasikan hasil model, serta mendiagnosis dan memperbaiki masalah model. Anda akan bekerja dengan himpunan data yang menunjukkan cara menerapkan GAM pada berbagai situasi: data performa mobil untuk membangun model campuran linear dan nonlinier, data pencemaran tanah untuk membangun model geospasial, dan data pembelian konsumen untuk klasifikasi dan prediksi. Pada akhir kursus, Anda akan memiliki seperangkat alat untuk menyelesaikan banyak masalah data science.

Persyaratan

Introduction to Regression in R

1

Pengantar Generalized Additive Models

Pada bab ini, Anda akan mempelajari cara kerja Generalized Additive Models dan cara menggunakan fungsi nonlinier yang fleksibel untuk memodelkan data tanpa overfitting. Anda akan belajar menggunakan fungsi gam() dalam paket mgcv, serta cara membangun model multivariat yang menggabungkan efek nonlinier, linear, dan kategorikal pada data.

Pendahuluan

Data kecelakaan sepeda motor: pendekatan linear

Data kecelakaan sepeda motor: pendekatan nonlinier

Bagian-bagian fungsi nonlinier

Fungsi basis dan penghalusan

Menetapkan kompleksitas model motorcycle

Menggunakan parameter penghalus untuk menghindari overfitting

Kompleksitas dan pemulusan secara bersamaan

GAM Multivariat

GAM multivariat untuk kinerja mobil

Menambahkan variabel kategorikal ke model performa mobil

Smooth tingkat kategori untuk tipe mobil yang berbeda

2

Menafsirkan dan Memvisualisasikan GAM

Pada bab ini, Anda akan meninjau lebih dekat model yang Anda buat di bab 1 dan mempelajari cara menafsirkan serta menjelaskannya. Anda akan belajar membuat plot yang menunjukkan bagaimana berbagai variabel memengaruhi keluaran model. Lalu Anda akan mendiagnosis masalah dalam model yang timbul dari underfitting data atau hubungan tersembunyi antarsesuai variabel, serta cara memperbaiki masalah tersebut secara iteratif untuk memperoleh hasil yang lebih baik.

Menafsirkan keluaran GAM

Significance and linearity (I)

Signifikansi dan linearitas (II)

Memvisualisasikan GAM

Memplot model dan data kecelakaan sepeda motor

Memplot beberapa variabel performa mobil

Memvisualisasikan ketidakpastian kinerja mobil

Pemeriksaan model dengan gam.check()

Membaca diagnostik model

Memperbaiki masalah melalui diagnostik model

Memeriksa concurvity

Menelaah konkurtivitas keseluruhan pada data auto

Menelaah concurvity antar variabel auto

3

GAM Spasial dan Interaksi

Pada bab ini, Anda akan memperluas jenis model yang dapat dibuat ke model dengan interaksi banyak variabel. Anda akan menyesuaikan model data geospasial dengan menggunakan interaksi ini untuk memodelkan permukaan yang kompleks, dan memvisualisasikannya dalam 3D. Selanjutnya Anda akan mempelajari interaksi antara variabel smooth dan variabel kategorikal, serta cara memodelkan interaksi antara variabel yang sangat berbeda seperti ruang dan waktu.

Penghalusan dua dimensi dan data spasial

Memodelkan polusi tanah di Belanda

Menambahkan lebih banyak variabel untuk memprediksi pencemaran tanah

Memvisualisasikan dan menafsirkan interaksi GAM

Memplot permukaan model

Menyesuaikan plot 3D

Ekstrapolasi pada plot permukaan

Memvisualisasikan interaksi kategorikal-kontinu

Pencemaran tanah pada berbagai penggunaan lahan

Memplot polusi pada berbagai penggunaan lahan

Interaksi dengan Skala Berbeda: Tensor

Model polusi dengan interaksi multi-skala

Memisahkan interaksi multi-skala

4

GAM Logistik untuk Klasifikasi

Pada tiga bab pertama, Anda menggunakan GAM untuk regresi dengan keluaran kontinu. Pada bab ini, Anda akan menggunakan GAM untuk klasifikasi. Anda akan membangun GAM logistik untuk memprediksi keluaran biner seperti perilaku pembelian pelanggan, mempelajari cara memvisualisasikan jenis model baru ini, membuat prediksi, dan mempelajari cara menjelaskan variabel yang memengaruhi setiap prediksi.

Jenis hasil model

Klasifikasi perilaku pembelian

Perilaku pembelian dengan beberapa smooth

Memvisualisasikan GAM logistik

Memvisualisasikan pengaruh terhadap probabilitas pembelian

Menafsirkan plot efek pembelian (I)

Menafsirkan plot efek pembelian (II)

Menafsirkan plot efek pembelian (III)

Membuat prediksi

Memprediksi perilaku pembelian dan ketidakpastian

Menjelaskan perilaku individual

Kemampuan lanjutan dengan GAM

Pemodelan Nonlinier dengan Generalized Additive Models (GAM) di R

Kursus
Selesai

Memperoleh Surat Keterangan Prestasi

Tambahkan kredensial ini ke profil LinkedIn, resume, atau CV Anda
Bagikan di media sosial dan dalam penilaian kinerja AndaDaftar sekarang

Bergabung dengan 19 juta pelajar dan mulai Pemodelan Nonlinier dengan Generalized Additive Models (GAM) di R Hari Ini!

Kembangkan keterampilan data Anda dengan DataCamp untuk Mobile

Buat kemajuan di mana saja dengan kursus mobile kami dan tantangan coding harian 5 menit.