Données d’accident de moto : approche linéaire

Dans ce premier exercice, vous allez ajuster un modèle linéaire à un jeu de données et visualiser les résultats pour évaluer dans quelle mesure il capture les relations présentes. Le jeu de données, stocké dans une table de données nommée mcycle, contient les mesures de l’accélération de la tête d’un mannequin de crash-test pendant un accident de moto. Il contient des mesures d’accélération (g) dans la colonne accel et du temps (millisecondes) dans la colonne times.

Cet exercice fait partie du cours

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

Afficher le cours

Instructions

Utilisez les fonctions head() et plot() pour examiner la table de données nommée mcycle.
Utilisez la fonction lm() pour ajuster un modèle aux données mcycle où la variable accel est une fonction linéaire de times.
Visualisez l’ajustement du modèle à l’aide de l’appel fourni à termplot().

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

# Examine the mcycle data frame
head(___)
plot(___)

# Fit a linear model
lm_mod <- lm(___, data = mcycle)

# Visualize the model
termplot(lm_mod, partial.resid = TRUE, se = TRUE)

Modifier et exécuter le code

Cet exercice fait partie du cours

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

IntermédiaireNiveau de compétence

4.8+

Commencer le cours gratuitement

Dans ce chapitre, vous verrez comment fonctionnent les Generalized Additive Models et comment utiliser des fonctions non linéaires flexibles pour modéliser les données sans surapprentissage. Vous apprendrez à utiliser la fonction gam() du package mgcv, et à construire des modèles multivariés qui combinent effets non linéaires, linéaires et catégoriels.

Exercise 1: Introduction Exercise 2: Données d’accident de moto : approche linéaire

Exercice en cours

Exercise 3: Données d’accidents de moto : approche non linéaire Exercise 4: Composantes d’une fonction non linéaire Exercise 5: Fonctions de base et lissage Exercise 6: Définir la complexité du modèle de moto Exercise 7: Utiliser les paramètres de lissage pour éviter le surapprentissage Exercise 8: Complexité et lissage ensemble Exercise 9: GAM multivariés Exercise 10: GAM multivariés des performances automobiles Exercise 11: Ajouter des variables catégorielles au modèle de performance automobile Exercise 12: Lissages par catégorie selon les types 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 créer des graphiques montrant l’effet des différentes variables sur les résultats du modèle. Vous diagnostiquerez ensuite les problèmes liés à un sous-ajustement des données ou à des relations cachées entre variables, et apprendrez à les corriger de manière itérative pour obtenir de meilleurs résultats.

Exercise 1: Interpréter les sorties 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 performances automobile Exercise 7: Visualiser l’incertitude des performances auto Exercise 8: Contrôle du modèle avec gam.check()Exercise 9: Lire les diagnostics du modèle Exercise 10: Corriger les problèmes détectés par les diagnostics du modèle Exercise 11: Vérifier la concourbité Exercise 12: Examiner la concourbité globale dans les données automobiles Exercise 13: Examiner la concourbité entre les variables auto

Dans ce chapitre, vous étendrez les types de modèles que vous pouvez ajuster à ceux comportant des interactions entre plusieurs variables. Vous ajusterez des modèles sur des données géospatiales en utilisant ces interactions pour modéliser des surfaces complexes, et vous visualiserez ces surfaces en 3D. Vous étudierez ensuite 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 davantage de variables pour prédire la pollution des sols Exercise 4: Tracer et interpréter les interactions dans 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 variable catégorielle et variable continue Exercise 9: Pollution des sols selon les types d’occupation du sol Exercise 10: Visualiser la pollution selon différents usages du sol Exercise 11: Interactions à différentes échelles : tenseurs Exercise 12: Modèles de pollution avec interactions multi-échelles Exercise 13: Démêler des interactions multi‑échelles

Dans les trois premiers chapitres, vous avez utilisé les GAM pour la régression de variables continues. Dans ce chapitre, vous utiliserez les GAM pour la classification. Vous construirez des GAM logistiques pour prédire des résultats 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 sorties de modèle Exercise 2: Classer le comportement d’achat Exercise 3: Comportement d’achat avec plusieurs lissages Exercise 4: Visualiser des GAM logistiques Exercise 5: Visualiser l’influence 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: Réaliser 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