or
यह अभ्यास पाठ्यक्रम का हिस्सा है
इस अध्याय में, आप सीखेंगे कि Generalized Additive Models कैसे काम करते हैं और ओवर-फिटिंग से बचते हुए डेटा को मॉडल करने के लिए लचीले, नॉनलाइनियर फंक्शनों का उपयोग कैसे करें। आप mgcv पैकेज में gam() फंक्शन का उपयोग करना सीखेंगे, और ऐसे मल्टीवेरिएट मॉडल बनाना सीखेंगे जो डेटा पर नॉनलाइनियर, लीनियर और कैटेगॉरिकल इफ़ेक्ट्स को मिलाते हैं।
वर्तमान अभ्यास
इस अध्याय में, आप अध्याय 1 में फिट किए गए मॉडलों को और करीब से देखेंगे और उन्हें कैसे समझें और समझाएँ, यह सीखेंगे। आप ऐसे प्लॉट बनाना सीखेंगे जो दिखाएँ कि अलग-अलग वैरिएबल्स मॉडल आउटकम्स को कैसे प्रभावित करते हैं। इसके बाद, आप उन समस्याओं का निदान करेंगे जो डेटा को अंडर-फिट करने या वैरिएबल्स के बीच छिपे संबंधों से उत्पन्न होती हैं, और यह सीखेंगे कि उन्हें क्रमिक रूप से कैसे ठीक करें और बेहतर परिणाम पाएँ।
इस अध्याय में, आप उन मॉडलों के प्रकारों को आगे बढ़ाएँगे जिन्हें आप मल्टीपल वैरिएबल्स के इंटरैक्शंस के साथ फिट कर सकते हैं। आप इन इंटरैक्शंस का उपयोग करके जियोस्पेशियल डेटा के मॉडल फिट करेंगे ताकि जटिल सरफेस मॉडल किए जा सकें, और उन सरफेस को 3D में विज़ुअलाइज़ करेंगे। फिर आप स्मूथ और कैटेगॉरिकल वैरिएबल्स के बीच इंटरैक्शंस के बारे में सीखेंगे, और स्पेस और टाइम जैसे बहुत अलग वैरिएबल्स के बीच इंटरैक्शन को कैसे मॉडल करें।
पहले तीन अध्यायों में, आपने सतत आउटकम्स की रिग्रेशन के लिए GAMs का उपयोग किया। इस अध्याय में, आप क्लासिफिकेशन के लिए GAMs का उपयोग करेंगे। आप बाइनरी आउटकम्स, जैसे कस्टमर परचेज़िंग बिहेवियर, की भविष्यवाणी करने के लिए लॉजिस्टिक GAMs बनाएँगे, इस नए प्रकार के मॉडल को विज़ुअलाइज़ करना सीखेंगे, प्रेडिक्शंस करेंगे, और यह सीखेंगे कि प्रत्येक प्रेडिक्शन को प्रभावित करने वाले वैरिएबल्स को कैसे समझाएँ।