ComenzarEmpieza gratis

Inicio
Cursos
Modelado no lineal con Generalized Additive Models (GAMs) en R

Comprobación del modelo con gam.check()

Create Your Free Account

or

Email Address

Password

By continuing, you accept our Terms of Use, our Privacy Policy and that your data is stored in the USA.

Este ejercicio forma parte del curso

Modelado no lineal con Generalized Additive Models (GAMs) en R

IntermedioNivel de habilidad

4.8+

Comienza el curso gratis

En este capítulo, aprenderás cómo funcionan los Generalized Additive Models y cómo usar funciones flexibles y no lineales para modelar datos sin sobreajustar. Aprenderás a usar la función gam() del paquete mgcv, y a construir modelos multivariantes que combinen efectos no lineales, lineales y categóricos sobre los datos.

Exercise 1: Introducción Exercise 2: Datos de accidentes de motocicleta: enfoque lineal Exercise 3: Datos de accidentes de motocicleta: enfoque no lineal Exercise 4: Partes de la función no lineal Exercise 5: Funciones base y suavizado Exercise 6: Ajustar la complejidad del modelo de motocicletas Exercise 7: Usar parámetros de suavizado para evitar el sobreajuste Exercise 8: Complejidad y suavizado juntos Exercise 9: GAM multivariados Exercise 10: GAM multivariantes del rendimiento de autos Exercise 11: Añadir variables categóricas al modelo de rendimiento del automóvil Exercise 12: Suavizados por categoría para distintos tipos de coche

En este capítulo, profundizarás en los modelos que ajustaste en el capítulo 1 y aprenderás a interpretarlos y explicarlos. Aprenderás a crear gráficos que muestren cómo diferentes variables afectan los resultados del modelo. Luego, diagnosticarás problemas en los modelos derivados de un ajuste insuficiente de los datos o de relaciones ocultas entre variables, y cómo corregirlos de forma iterativa para obtener mejores resultados.

Exercise 1: Interpretar los resultados de un GAM Exercise 2: Significance and linearity (I)Exercise 3: Significancia y linealidad (II)Exercise 4: Visualizar GAMs Exercise 5: Trazar el modelo y los datos del accidente de moto Exercise 6: Representar múltiples variables de rendimiento del automóvil Exercise 7: Visualizar la incertidumbre del rendimiento del coche Exercise 8: Comprobación del modelo con gam.check()

Ejercicio actual

Exercise 9: Leyendo los diagnósticos del modelo Exercise 10: Corregir problemas con los diagnósticos del modelo Exercise 11: Comprobación de la concorvidad Exercise 12: Examinando la concuervidad global en los datos de autos Exercise 13: Examinando la concurvidad entre variables del auto

En este capítulo, ampliarás los tipos de modelos que puedes ajustar para incluir interacciones entre múltiples variables. Ajustarás modelos de datos geoespaciales utilizando estas interacciones para modelar superficies complejas, y visualizarás esas superficies en 3D. Después, aprenderás sobre interacciones entre variables suaves y categóricas, y cómo modelar interacciones entre variables muy diferentes, como el espacio y el tiempo.

Exercise 1: Suavizados bidimensionales y datos espaciales Exercise 2: Modelado de la contaminación del suelo en los Países Bajos Exercise 3: Añadir más variables para predecir la contaminación del suelo Exercise 4: Representación e interpretación de interacciones en GAM Exercise 5: Representar la superficie del modelo Exercise 6: Personalizar gráficos 3D Exercise 7: Extrapolación en gráficos de superficies Exercise 8: Visualizar interacciones entre variables categóricas y continuas Exercise 9: Contaminación del suelo según distintos usos del terreno Exercise 10: Representación de la contaminación según distintos usos del suelo Exercise 11: Interacciones con distintas escalas: tensores Exercise 12: Modelos de contaminación con interacciones a múltiples escalas Exercise 13: Separando interacciones a múltiples escalas

En los tres primeros capítulos, utilizaste GAM para la regresión de resultados continuos. En este capítulo, usarás GAM para clasificación. Construirás GAM logísticos para predecir resultados binarios, como el comportamiento de compra de clientes; aprenderás a visualizar este nuevo tipo de modelo, a hacer predicciones y a explicar las variables que influyen en cada predicción.

Exercise 1: Tipos de resultados del modelo Exercise 2: Clasificar el comportamiento de compra Exercise 3: Comportamiento de compra con múltiples suavizados Exercise 4: Visualizar GAMs logísticos Exercise 5: Visualizar las influencias en la probabilidad de compra Exercise 6: Interpretar gráficos de efectos sobre la compra (I)Exercise 7: Interpretar gráficos de efecto de compra (II)Exercise 8: Interpretar gráficos del efecto en la compra (III)Exercise 9: Hacer predicciones Exercise 10: Predecir el comportamiento de compra y la incertidumbre Exercise 11: Explicando comportamientos individuales Exercise 12: Hacer más con los GAMs