Kategoriebezogene Smooths für verschiedene Auto-Typen

Jetzt erweiterst du deine Modelle um unterschiedliche Smooths für verschiedene Ausprägungen kategorialer Variablen.

Diese Übung ist Teil des Kurses

Nichtlineare Modellierung mit Generalized Additive Models (GAMs) in R

Anleitung zur Übung

Passe ein Modell an, das die städtische Kraftstoffeffizienz (city.mpg) mit Smooth-Terms für weight, length und price vorhersagt, aber lass jeden dieser Smooth-Terms von der kategorialen Variable drive mithilfe von by= in den Smooth-Terms abhängen.
Füge einen separaten linearen Term für die Variable drive hinzu.

Interaktive Übung

Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.

library(mgcv)
# Fit the model
mod_city3 <- gam(city.mpg ~ ___, 
                 data = mpg, method = "REML")

# Plot the model
plot(mod_city3, pages = 1)

Code bearbeiten und ausführen

Diese Übung ist Teil des Kurses

Nichtlineare Modellierung mit Generalized Additive Models (GAMs) in R

Mittlere SchwierigkeitSchwierigkeitsgrad

4.8+

Kurs kostenlos starten

In diesem Kapitel lernst du, wie Generalized Additive Models funktionieren und wie du flexible, nichtlineare Funktionen nutzt, um Daten ohne Overfitting zu modellieren. Du lernst die Funktion `gam()` aus dem Paket mgcv kennen und wie du multivariate Modelle aufbaust, die nichtlineare, lineare und kategoriale Effekte kombinieren.

Exercise 1: Einführung Exercise 2: Motorrad-Crash-Daten: linearer Ansatz Exercise 3: Motorradunfalldaten: nichtlinearer Ansatz Exercise 4: Bestandteile einer nichtlinearen Funktion Exercise 5: Basisfunktionen und Glättung Exercise 6: Komplexität des Motorrad-Modells festlegen Exercise 7: Mit Glättungsparametern Overfitting vermeiden Exercise 8: Komplexität und Glättung gemeinsam steuern Exercise 9: Multivariate GAMs Exercise 10: Multivariate GAMs zur Fahrzeugleistung Exercise 11: Kategorien zum Auto-Performance-Modell hinzufügen Exercise 12: Kategoriebezogene Smooths für verschiedene Auto-Typen

Aktuelle Übung

In diesem Kapitel schaust du dir die Modelle aus Kapitel 1 genauer an und lernst, wie du sie interpretierst und erklärst. Du erstellst Plots, die zeigen, wie verschiedene Variablen die Modellergebnisse beeinflussen. Anschließend diagnostizierst du Probleme, die durch Underfitting oder verborgene Zusammenhänge zwischen Variablen entstehen, und wie du diese iterativ behebst, um bessere Ergebnisse zu erzielen.

Exercise 1: GAM-Ausgaben interpretieren Exercise 2: Significance and linearity (I)Exercise 3: Signifikanz und Linearität (II)Exercise 4: GAMs visualisieren Exercise 5: Modell und Daten des Motorradunfall-Beispiels plotten Exercise 6: Mehrere Variablen zur Auto-Performance plotten Exercise 7: Unsicherheit der Auto-Performance visualisieren Exercise 8: Modellprüfung mit gam.check()Exercise 9: Diagnosen am Modell lesen Exercise 10: Probleme mit Modelldiagnosen beheben Exercise 11: Conkurvität prüfen Exercise 12: Gesamte Konkurvität in den Auto-Daten untersuchen Exercise 13: Untersuchung der Concurvity zwischen Auto-Variablen

In diesem Kapitel erweiterst du die Arten von Modellen, die du anpassen kannst, um Interaktionen mehrerer Variablen. Du passt Modelle für georäumliche Daten an, indem du diese Interaktionen nutzt, um komplexe Flächen zu modellieren, und visualisierst diese Flächen in 3D. Danach lernst du Interaktionen zwischen glatten und kategorialen Variablen kennen und wie du Interaktionen zwischen sehr unterschiedlichen Variablen wie Raum und Zeit modellierst.

Exercise 1: Zweidimensionale Glättungen und räumliche Daten Exercise 2: Modellierung von Bodenverschmutzung in den Niederlanden Exercise 3: Weitere Variablen hinzufügen, um Bodenverschmutzung vorherzusagen Exercise 4: GAM-Interaktionen plotten und interpretieren Exercise 5: Die Modelloberfläche plotten Exercise 6: 3D-Plots anpassen Exercise 7: Extrapolation in Oberflächenplots Exercise 8: Kategorial-kontinuierliche Interaktionen visualisieren Exercise 9: Bodenverschmutzung bei unterschiedlicher Flächennutzung Exercise 10: Verschmutzung in unterschiedlichen Nutzungsarten visualisieren Exercise 11: Interaktionen mit unterschiedlichen Skalen: Tensoren Exercise 12: Verschmutzungsmodelle mit Multi-Skalen-Interaktionen Exercise 13: Mehrskalige Interaktionen auseinandernehmen

In den ersten drei Kapiteln hast du GAMs für die Regression kontinuierlicher Zielgrößen verwendet. In diesem Kapitel nutzt du GAMs für Klassifikation. Du baust logistische GAMs, um binäre Zielgrößen wie das Kaufverhalten von Kund:innen vorherzusagen, lernst, diesen neuen Modelltyp zu visualisieren, Vorhersagen zu treffen und zu erklären, welche Variablen jede Vorhersage beeinflussen.

Exercise 1: Arten von Modell-Outputs Exercise 2: Kaufverhalten klassifizieren Exercise 3: Kaufverhalten mit mehreren Smooths Exercise 4: Logistische GAMs visualisieren Exercise 5: Einflüsse auf die Kaufwahrscheinlichkeit visualisieren Exercise 6: Kauf-Effektplots interpretieren (I)Exercise 7: Kaufeffekt-Plots interpretieren (II)Exercise 8: Kauf-Effektplots interpretieren (III)Exercise 9: Vorhersagen treffen Exercise 10: Kaufverhalten und Unsicherheit vorhersagen Exercise 11: Individuelles Verhalten erklären Exercise 12: Mehr mit GAMs machen