Classifier le comportement d'achat

Ajustons quelques GAM sur les données csale, qui contiennent la variable binaire purchase comme variable cible.

Après avoir ajusté le modèle, répondez à la question suivante :

Quelle probabilité le modèle log_mod estime-t-il pour qu'une personne effectue un achat lorsqu'elle a la valeur moyenne pour toutes les variables ?

Cette activité fait partie du cours

Modélisation non linéaire avec les Generalized Additive Models (GAM) en R

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# Examine the csale data frame
head(csale)
str(csale)

# Fit a logistic model
log_mod <- gam(___, data = csale, 
               ___, 
               method = "REML")

Modifier et exécuter le code

Cette activité fait partie du cours

Modélisation non linéaire avec les Generalized Additive Models (GAM) en R

SkillTag.level.intermediateSkillTag.label

4.8+

Commencer le cours gratuitement

Dans ce chapitre, vous apprendrez le fonctionnement des Generalized Additive Models et comment utiliser des fonctions souples et non linéaires pour modéliser des données sans surajustement. Vous apprendrez à utiliser la fonction gam() du paquet mgcv, et à bâtir des modèles multivariés qui combinent des effets non linéaires, linéaires et catégoriels.

Exercise 1: Introduction Exercise 2: Données d'accident de moto : approche linéaire Exercise 3: Données d'accident de moto : approche non linéaire Exercise 4: Éléments d'une fonction non linéaire Exercise 5: Fonctions de base et lissage Exercise 6: Régler la complexité du modèle de motocyclette Exercise 7: Utiliser les paramètres de lissage pour éviter le surajustement Exercise 8: Complexité et lissage ensemble Exercise 9: GAM multivariés Exercise 10: GAM multivariés sur la performance automobile Exercise 11: Ajouter des variables catégorielles au modèle de performance auto Exercise 12: Lissages par catégorie selon le type d'auto

Dans ce chapitre, vous examinerez de plus près les modèles ajustés au chapitre 1 et apprendrez à les interpréter et les expliquer. Vous verrez comment produire des graphiques montrant comment différentes variables influencent les résultats du modèle. Ensuite, vous diagnostiquerez des problèmes de modèles liés à un sous-ajustement des données ou à des relations cachées entre variables, et comment corriger ces problèmes de façon itérative pour obtenir de meilleurs résultats.

Exercise 1: Interpréter les résultats d'un GAM Exercise 2: Significance et linéarité (I)Exercise 3: Significativité et linéarité (II)Exercise 4: Visualiser les GAM Exercise 5: Tracer le modèle et les données de l'accident de moto Exercise 6: Tracer plusieurs variables de performance automobile Exercise 7: Visualiser l'incertitude sur la performance auto Exercise 8: Vérification du modèle avec gam.check()Exercise 9: Lire les diagnostics du modèle Exercise 10: Corriger les problèmes à l'aide des diagnostics du modèle Exercise 11: Vérifier la concourbité Exercise 12: Examiner la concourbité globale dans les données auto Exercise 13: Examiner la concourbité entre les variables auto

Dans ce chapitre, vous élargirez les types de modèles que vous pouvez ajuster à ceux comportant des interactions entre plusieurs variables. Vous ajusterez des modèles de données géospatiales en utilisant ces interactions pour modéliser des surfaces complexes, et visualiserez ces surfaces en 3D. Ensuite, vous verrez les interactions entre variables lissées et catégorielles, et comment modéliser des interactions entre des variables très différentes comme l'espace et le temps.

Exercise 1: Lissages bidimensionnels et données spatiales Exercise 2: Modéliser la pollution des sols aux Pays-Bas Exercise 3: Ajouter plus de variables pour prédire la pollution du sol Exercise 4: Tracer et interpréter les interactions d'un GAM Exercise 5: Tracer la surface du modèle Exercise 6: Personnaliser des graphiques 3D Exercise 7: Extrapolation dans les graphiques de surface Exercise 8: Visualiser les interactions entre variables catégorielles et continues Exercise 9: Pollution des sols selon différents types d'occupation du sol Exercise 10: Tracer la pollution selon différents types d'occupation du sol Exercise 11: Interactions à différentes échelles : tenseurs Exercise 12: Modèles de pollution avec interactions à multiples échelles Exercise 13: Démêler des interactions à multiples échelles

Dans les trois premiers chapitres, vous avez utilisé les GAM pour la régression d'issues continues. Dans ce chapitre, vous utiliserez les GAM pour la classification. Vous construirez des GAM logistiques pour prédire des issues binaires comme le comportement d'achat des clients, apprendrez à visualiser ce nouveau type de modèle, à faire des prédictions et à expliquer les variables qui influencent chaque prédiction.

Exercise 1: Types de résultats de modèle Exercise 2: Classifier le comportement d'achat

Exercice en cours

Exercise 3: Comportement d'achat avec plusieurs lissages Exercise 4: Visualiser des GAM logistiques Exercise 5: Visualiser les influences sur la probabilité d'achat Exercise 6: Interpréter les graphiques d'effet sur l'achat (I)Exercise 7: Interpréter les graphiques d'effet sur l'achat (II)Exercise 8: Interpréter les graphiques d'effet sur l'achat (III)Exercise 9: Faire des prédictions Exercise 10: Prédire le comportement d'achat et l'incertitude Exercise 11: Expliquer des comportements individuels Exercise 12: Aller plus loin avec les GAM