700+ courses, half price
课程简介
广义可加模型既适用于预测也适用于推断，功能强大。它比线性模型更灵活，又比黑盒方法更易理解。GAM 将数据中的关系建模为非线性函数，可高度适应不同类型的数据与数据科学问题。本课程将带您理解 GAM 的工作原理，并使用流行的 mgcv 包构建模型。您将学习如何解读、解释和可视化模型结果，以及如何诊断并修复模型问题。课程将配合多个数据集，展示如何在不同场景中应用 GAM：基于汽车性能数据构建线性与非线性混合模型，基于土壤污染数据构建地理空间模型，以及基于消费者购买数据完成分类与预测。完成本课程后，您将掌握一套可用于解决多种数据科学问题的工具。
先修要求
课程体系
课程大纲
1
广义可加模型入门
在本章中，您将学习广义可加模型的工作方式，以及如何使用灵活的非线性函数来建模而不过拟合。您将学习使用 mgcv 包中的 `gam()` 函数，并构建将非线性、线性与分类效应相结合的多变量模型。
2
GAM 的解读与可视化
在本章中，您将回顾第 1 章中拟合的模型，并学习如何解读和解释它们。您将学会绘制图形，展示不同变量如何影响模型结果。随后，您将诊断因欠拟合或变量间隐藏关系而产生的模型问题，并学习如何迭代地修复这些问题以获得更好的结果。
3
空间 GAM 与交互效应
在本章中，您将把可拟合的模型扩展到包含多个变量交互的情形。您将通过这些交互来对复杂曲面进行建模，从而拟合地理空间数据，并以 3D 方式可视化这些曲面。接着，您将学习平滑项与分类变量之间的交互，以及如何建模空间与时间等截然不同变量之间的交互。
4
用于分类的逻辑回归 GAM
在前三章中，您使用 GAM 对连续结果进行回归。在本章中，您将把 GAM 用于分类。您将构建逻辑回归 GAM 来预测二元结果（例如用户购买行为），学习可视化这一新类型的模型、进行预测，并掌握如何解释影响每个预测的变量。
R
R 中的广义可加模型（GAM）非线性建模
课程已完成
