CommencerCommencer gratuitement

Utiliser les paramètres de lissage pour éviter le surapprentissage

Le paramètre de lissage équilibre la vraisemblance et la sinuosité pour optimiser l’ajustement du modèle. Ici, vous allez examiner des paramètres de lissage et ajuster des modèles avec différents paramètres de lissage fixés.

Cet exercice fait partie du cours

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

Afficher le cours

Instructions

  • Affichez la valeur du paramètre de lissage (\(\lambda\)) du modèle gam_mod fourni en extrayant la valeur sp du modèle.
  • Ajustez deux modèles aux données mcycle avec accel comme fonction lisse de times et un paramètre de lissage de :
    • 0.1
    • 0.0001
  • Visualisez les deux modèles.

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

library(mgcv)
# Extract the smoothing parameter
gam_mod <- gam(accel ~ s(times), data = mcycle, method = "REML")
___

# Fix the smoothing parameter at 0.1
gam_mod_s1 <- gam(accel ~ s(times), data = mcycle, sp = ___)

# Fix the smoothing parameter at 0.0001
gam_mod_s2 <- gam(___)

# Plot both models
par(mfrow = c(2, 1))
plot(gam_mod_s1, residuals = TRUE, pch = 1)
plot(gam_mod_s2, residuals = TRUE, pch = 1)
Modifier et exécuter le code