Last chance: 50% off unlimited learning
Sale ends in
Описание курса
Обобщённые аддитивные модели — это мощный инструмент как для прогнозирования, так и для анализа данных. Они гибче линейных моделей и понятнее методов «чёрного ящика»: GAM описывают зависимости в данных с помощью нелинейных функций, которые легко адаптируются к различным типам данных и задачам. В этом курсе вы узнаете, как работают GAM и как строить их с помощью популярного пакета mgcv. Вы научитесь интерпретировать, объяснять и визуализировать результаты моделей, а также выявлять и устранять проблемы. Вы будете работать с наборами данных, которые покажут, как применять GAM в разных ситуациях: данные об автомобильных характеристиках для построения смешанных линейных и нелинейных моделей, данные о загрязнении почвы для геопространственного моделирования, а также данные о потребительских покупках для классификации и прогнозирования. По окончании курса у вас будет готовый набор инструментов для решения разнообразных задач.
Предварительные требования
Программа
План курса
1
Введение в обобщённые аддитивные модели
В этой главе вы узнаете, как работают обобщённые аддитивные модели, и научитесь использовать гибкие нелинейные функции для моделирования данных без переобучения. Вы освоите функцию gam() из пакета mgcv и научитесь строить многомерные модели, объединяющие нелинейные, линейные и категориальные эффекты.
- Введение50 XP
- Данные о мотоциклетной аварии: линейный подход100 XP
- Данные об авариях мотоциклистов: нелинейный подход100 XP
- Части нелинейной функции100 XP
- Базисные функции и сглаживание50 XP
- Настройка сложности модели для данных о мотоциклах100 XP
- Использование параметров сглаживания для предотвращения переобучения100 XP
- Сложность и сглаживание вместе100 XP
- Многомерные GAM50 XP
- Многомерные GAM для анализа характеристик автомобилей100 XP
- Добавление категориальных переменных в модель производительности автомобиля100 XP
- Сглаживания на уровне категорий для разных типов автомобилей100 XP
2
Интерпретация и визуализация GAM
В этой главе вы подробнее рассмотрите модели, построенные в первой главе, и научитесь их интерпретировать и объяснять. Вы узнаете, как строить графики, отражающие влияние различных переменных на результаты модели. Затем вы научитесь выявлять проблемы, связанные с недообучением и скрытыми зависимостями между переменными, а также последовательно устранять их для получения более точных результатов.
3
Пространственные GAM и взаимодействия
В этой главе вы расширите спектр применяемых моделей, добавив взаимодействия нескольких переменных. Вы построите модели геопространственных данных, используя эти взаимодействия для описания сложных поверхностей, и визуализируете их в трёхмерном пространстве. Затем вы изучите взаимодействия между сглаженными и категориальными переменными, а также научитесь моделировать взаимодействия между существенно различающимися переменными — например, пространством и временем.
4
Логистические GAM для классификации
В первых трёх главах вы использовали GAM для регрессии непрерывных результатов. В этой главе вы познакомитесь с применением GAM для классификации. Вы построите логистические GAM для предсказания бинарных исходов — таких как поведение покупателей, — научитесь визуализировать этот тип моделей, делать прогнозы и объяснять влияние переменных на каждый прогноз.
R
Нелинейное моделирование с помощью обобщённых аддитивных моделей (GAM) в R
Курс
завершён
