Build your ultimate AI agent
Kursbeskrivning
Generalized Additive Models är ett kraftfullt verktyg för både prediktion och inferens. De är mer flexibla än linjära modeller och mer tolkningsbara än svarta-lådan-metoder. GAMs modellerar samband i data som icke-linjära funktioner som är mycket anpassningsbara till olika typer av data och datavetenskapliga problem. I den här kursen lär du dig hur GAMs fungerar och hur du bygger dem med det populära mgcv-paketet. Du lär dig att tolka, förklara och visualisera dina modellresultat, samt att diagnostisera och åtgärda modellproblem. Du arbetar med datamängder som visar hur du tillämpar GAMs i en mängd olika situationer: bilprestandadata för att bygga blandade linjära och icke-linjära modeller, markföroreningsdata för att bygga geospatiala modeller, och konsumentköpdata för klassificering och prediktion. När kursen är klar har du en verktygslåda för att lösa många datavetenskapliga problem.
Förkunskapskrav
Kursplan
Kursöversikt
1
Introduktion till Generalized Additive Models
I det här kapitlet lär du dig hur Generalized Additive Models fungerar och hur du använder flexibla, icke-linjära funktioner för att modellera data utan att överanpassa. Du lär dig att använda funktionen gam() i mgcv-paketet och hur du bygger multivariata modeller som kombinerar icke-linjära, linjära och kategoriska effekter.
- Introduktion50 XP
- Motorcykelkraschdata: linjär ansats100 XP
- Motorcykelkraschdata: ett icke-linjärt angreppssätt100 XP
- Delar av en icke-linjär funktion100 XP
- Basfunktioner och utjämning50 XP
- Ange komplexiteten hos motorcykelmodellen100 XP
- Använda utjämningsparametrar för att undvika överanpassning100 XP
- Komplexitet och utjämning tillsammans100 XP
- Multivariata GAM:er50 XP
- Multivariata GAM:er för bilprestanda100 XP
- Lägga till kategoriska variabler i bilprestationsmodellen100 XP
- Kategorispecifika smooths för olika biltyper100 XP
2
Tolkning och visualisering av GAMs
I det här kapitlet tittar du närmare på de modeller du byggde i kapitel 1 och lär dig att tolka och förklara dem. Du lär dig att skapa diagram som visar hur olika variabler påverkar modellens utfall. Därefter diagnostiserar du problem som uppstår när data underanpassas eller när det finns dolda samband mellan variabler, och du lär dig att iterativt åtgärda dessa problem för att få bättre resultat.
3
Spatiala GAMs och interaktioner
I det här kapitlet utökar du de typer av modeller du kan anpassa till sådana som inkluderar interaktioner mellan flera variabler. Du anpassar modeller för geospatiala data genom att använda dessa interaktioner för att modellera komplexa ytor och visualisera dem i 3D. Sedan lär du dig om interaktioner mellan utjämnade och kategoriska variabler, samt hur du modellerar interaktioner mellan mycket olika variabler som rum och tid.
4
Logistiska GAMs för klassificering
I de tre första kapitlen använde du GAMs för regression av kontinuerliga utfall. I det här kapitlet använder du GAMs för klassificering. Du bygger logistiska GAMs för att förutsäga binära utfall som konsumenters köpbeteende, lär dig att visualisera den här typen av modell, göra prediktioner och förstå vilka variabler som påverkar varje prediktion.
R
Icke-linjär modellering med Generalized Additive Models (GAMs) i R
Kurs
slutförd
