or
Toto cvičení je součástí kurzu
V této kapitole se dozvíš, jak generalizované aditivní modely fungují a jak pomocí flexibilních nelineárních funkcí modelovat data bez přetrénování. Naučíš se používat funkci gam() z balíčku mgcv a sestavovat multivariátní modely, které kombinují nelineární, lineární a kategorické efekty.
Aktuální cvičení
V této kapitole se blíže podíváš na modely sestavené v kapitole 1 a naučíš se je interpretovat a vysvětlovat. Zjistíš, jak vytvářet grafy znázorňující vliv různých proměnných na výstup modelu. Poté budeš diagnostikovat problémy způsobené nedostatečným fitováním dat nebo skrytými vztahy mezi proměnnými a iterativně je opravovat, abys dosáhl/a lepších výsledků.
V této kapitole rozšíříš typy modelů, které umíš sestavit, o modely s interakcemi více proměnných. Naučíš se fitovat geoprostorová data pomocí těchto interakcí pro modelování složitých povrchů a vizualizovat je ve 3D. Pak se zaměříš na interakce mezi spojitými a kategorickými proměnnými a na modelování interakcí mezi velmi odlišnými proměnnými, jako jsou prostor a čas.
V prvních třech kapitolách jsi používal/a GAM pro regresi spojitých výstupů. V této kapitole využiješ GAM ke klasifikaci. Sestavíš logistické GAM pro predikci binárních výstupů, jako je nákupní chování zákazníků, naučíš se vizualizovat tento nový typ modelu, provádět predikce a vysvětlovat proměnné, které každou predikci ovlivňují.