Name: Нелінійне моделювання за допомогою узагальнених адитивних моделей (GAM) в R
Rating: 4.806451612903226 (62 reviews)

Опис курсу

Узагальнені адитивні моделі — це потужний інструмент як для прогнозування, так і для інференції. Вони гнучкіші за лінійні моделі й зрозуміліші за «чорні скриньки»: GAM моделюють взаємозв'язки в даних як нелінійні функції, які легко адаптуються до різних типів даних і задач з Data Science. У цьому курсі ви дізнаєтеся, як працюють GAM, і як будувати їх за допомогою популярного пакета mgcv. Ви навчитеся інтерпретувати, пояснювати та візуалізувати результати моделей, а також діагностувати та виправляти проблеми моделювання. Ви попрацюєте з наборами даних, щоб застосувати GAM у різних ситуаціях: дані про характеристики автомобілів для побудови змішаних лінійних і нелінійних моделей, дані про забруднення ґрунтів для геопросторових моделей і дані про покупки споживачів для класифікації та прогнозування. Наприкінці курсу у вас буде набір інструментів для розв'язання багатьох задач Data Science.

Попередні вимоги

Introduction to Regression in R

Навчальний план

Зміст курсу

Вступ до узагальнених адитивних моделей

У цьому розділі ви дізнаєтеся, як працюють узагальнені адитивні моделі, і як використовувати гнучкі, нелінійні функції, щоб моделювати дані без перенавчання. Ви навчитеся використовувати функцію gam() з пакета mgcv і будувати багатовимірні моделі, що поєднують у даних нелінійні, лінійні та категоріальні ефекти.

Почати розділ

Інтерпретація та візуалізація GAM

У цьому розділі ви детальніше розглянете моделі, які побудували в розділі 1, і навчитеся їх інтерпретувати та пояснювати. Ви створите графіки, що показують, як різні змінні впливають на результати моделі. Далі ви діагностуватимете проблеми, спричинені недонавчанням моделі або прихованими зв'язками між змінними, і поетапно виправлятимете їх, щоб отримати кращі результати.

Почати розділ

Просторові GAM та взаємодії

У цьому розділі ви розширите типи моделей до таких, що містять взаємодії кількох змінних. Ви побудуєте моделі для геопросторових даних, використовуючи ці взаємодії для моделювання складних поверхонь, і візуалізуєте ці поверхні у 3D. Потім ви дізнаєтеся про взаємодії між гладкими та категоріальними змінними та про те, як моделювати взаємодії між дуже різними змінними, як-от простір і час.

Почати розділ

Логістичні GAM для класифікації

У перших трьох розділах ви використовували GAM для регресії безперервних результатів. У цьому розділі ви застосуєте GAM для класифікації. Ви побудуєте логістичні GAM, щоб передбачати бінарні результати, наприклад поведінку покупців; навчитеся візуалізувати цей новий тип моделі, робити прогнози та пояснювати змінні, що впливають на кожне передбачення.