Przejdź do głównej treści

Strona główna R

Kurs

Nieliniowe modelowanie z użyciem uogólnionych modeli addytywnych (GAM) w R

ŚredniozaawansowanyPoziom umiejętności

Zaktualizowano 09.2024

Modele GAM odwzorowują zależności w danych jako nieliniowe funkcje, bardzo elastyczne dla różnych problemów data science.

Zacznij kurs za darmo

RProbability & Statistics

4 godz.

15 filmów

50 Ćwiczeń

4,050 XP

9,114

Zaświadczenie o ukończeniu

Uwielbiany przez kursantów z tysięcy firm

Szkolisz zespół?

Wypróbuj dla firm

Opis kursu

Uogólnione modele addytywne to potężne narzędzie zarówno do predykcji, jak i wnioskowania. Bardziej elastyczne niż modele liniowe i bardziej zrozumiałe niż metody typu czarna skrzynka, GAM-y modelują zależności w danych jako nieliniowe funkcje, które świetnie sprawdzają się w różnych typach danych i zadań z zakresu data science. W tym kursie nauczysz się, jak działają GAM-y i jak budować je za pomocą popularnej biblioteki mgcv. Dowiesz się, jak interpretować, objaśniać i wizualizować wyniki modeli, a także jak diagnozować i naprawiać ich problemy. Będziesz pracować z różnorodnymi zbiorami danych: danymi o osiągach samochodów do budowania mieszanych modeli liniowych i nieliniowych, danymi o zanieczyszczeniu gleby do modelowania przestrzennego oraz danymi o zakupach konsumentów do klasyfikacji i predykcji. Po ukończeniu kursu będziesz dysponować zestawem narzędzi do rozwiązywania wielu problemów z zakresu data science.

Wymagania wstępne

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

Zacznij rozdział

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

Zacznij rozdział

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

Zacznij rozdział

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

Zacznij rozdział

Nieliniowe modelowanie z użyciem uogólnionych modeli addytywnych (GAM) w R

Kurs
ukończony

Zdobądź zaświadczenie o ukończeniu

Dodaj to poświadczenie do swojego profilu LinkedIn, CV lub życiorysu
Udostępnij to w mediach społecznościowych i podczas oceny wyników pracyZapisz się teraz

Dołącz do ponad 19 milionów kursantów i zacznij Nieliniowe modelowanie z użyciem uogólnionych modeli addytywnych (GAM) w R już dziś!

Rozwijaj swoje umiejętności w zakresie danych dzięki DataCamp dla urządzeń mobilnych

Rób postępy w podróży dzięki naszym kursom mobilnym i codziennym 5-minutowym wyzwaniom kodowania.