700+ courses, half price
コースの説明
Generalized Additive Models は、予測と推論の両方に強力なツールです。 線形モデルより柔軟で、ブラックボックス手法より理解しやすいGAMは、データ内の関係を非線形関数として表し、さまざまな種類のデータやデータサイエンスの課題に高い適応性を発揮します。 このコースでは、GAMの仕組みと、人気のmgcvパッケージでの構築方法を学びます。 モデル結果の解釈・説明・可視化の方法、そしてモデルの問題を診断して修正する方法も身につけます。 また、さまざまな状況にGAMを適用する方法を学ぶために、混合的な線形・非線形モデルを構築する自動車性能データ、地理空間モデルを構築する土壌汚染データ、分類と予測に用いる消費者購買データを扱います。 コース修了時には、多くのデータサイエンス課題を解決できるツールボックスを手にしているはずです。
前提条件
カリキュラム
コース概要
1
Generalized Additive Models の導入
この章では、Generalized Additive Models の仕組みと、柔軟な非線形関数を使って過学習せずにデータをモデリングする方法を学びます。 mgcvパッケージのgam()関数の使い方を学び、非線形・線形・カテゴリ効果を組み合わせた多変量モデルを構築します。
2
GAMの解釈と可視化
この章では、第1章で当てはめたモデルをさらに掘り下げ、その解釈と説明方法を学びます。 各変数がモデルの出力にどのように影響するかを示すプロットの作成方法を学びます。 そのうえで、データのアンダーフィットや変数間の潜在的関係に起因するモデルの問題を診断し、反復的に修正して結果を改善する方法を身につけます。
3
空間GAMと相互作用
この章では、複数の変数間の相互作用を含むモデルへと拡張します。 これらの相互作用を用いて複雑な曲面を表現し、地理空間データのモデルを当てはめ、3Dで可視化します。 さらに、スムーズ項とカテゴリ変数の相互作用、空間と時間のように性質の異なる変数間の相互作用のモデリング方法も学びます。
4
分類のためのロジスティックGAM
最初の3章では、連続的なアウトカムに対する回帰にGAMを用いました。 この章では、GAMを分類に用います。 二値のアウトカム（例：顧客の購買行動）を予測するロジスティックGAMを構築し、この新しいタイプのモデルの可視化、予測の実行、各予測に影響する変数の説明方法を学びます。
R
Rで学ぶGeneralized Additive Models (GAMs) による非線形モデリング
コース修了
