Signifikansi dan linearitas (II)

Dengan melihat model yang sama (mod_city4), suku halus mana yang tidak signifikan dan tidak linear?

mod_city4 tersedia di ruang kerja Anda.

Latihan ini merupakan bagian dari kursus

Pemodelan Nonlinier dengan Generalized Additive Models (GAM) di R

Latihan interaktif langsung

Ubah teori menjadi aksi dengan salah satu latihan interaktif kami

Latihan ini merupakan bagian dari kursus

Pemodelan Nonlinier dengan Generalized Additive Models (GAM) di R

SkillTag.level.intermediateSkillTag.label

4.8+

Mulai Kursus Gratis

Pada bab ini, Anda akan mempelajari cara kerja Generalized Additive Models dan cara menggunakan fungsi nonlinier yang fleksibel untuk memodelkan data tanpa overfitting. Anda akan belajar menggunakan fungsi gam() dalam paket mgcv, serta cara membangun model multivariat yang menggabungkan efek nonlinier, linear, dan kategorikal pada data.

Exercise 1: Pendahuluan Exercise 2: Data kecelakaan sepeda motor: pendekatan linear Exercise 3: Data kecelakaan sepeda motor: pendekatan nonlinier Exercise 4: Bagian-bagian fungsi nonlinier Exercise 5: Fungsi basis dan penghalusan Exercise 6: Menetapkan kompleksitas model motorcycle Exercise 7: Menggunakan parameter penghalus untuk menghindari overfitting Exercise 8: Kompleksitas dan pemulusan secara bersamaan Exercise 9: GAM Multivariat Exercise 10: GAM multivariat untuk kinerja mobil Exercise 11: Menambahkan variabel kategorikal ke model performa mobil Exercise 12: Smooth tingkat kategori untuk tipe mobil yang berbeda

Pada bab ini, Anda akan meninjau lebih dekat model yang Anda buat di bab 1 dan mempelajari cara menafsirkan serta menjelaskannya. Anda akan belajar membuat plot yang menunjukkan bagaimana berbagai variabel memengaruhi keluaran model. Lalu Anda akan mendiagnosis masalah dalam model yang timbul dari underfitting data atau hubungan tersembunyi antarsesuai variabel, serta cara memperbaiki masalah tersebut secara iteratif untuk memperoleh hasil yang lebih baik.

Exercise 1: Menafsirkan keluaran GAM Exercise 2: Significance and linearity (I)Exercise 3: Signifikansi dan linearitas (II)

Latihan Saat Ini

Exercise 4: Memvisualisasikan GAM Exercise 5: Memplot model dan data kecelakaan sepeda motor Exercise 6: Memplot beberapa variabel performa mobil Exercise 7: Memvisualisasikan ketidakpastian kinerja mobil Exercise 8: Pemeriksaan model dengan gam.check()Exercise 9: Membaca diagnostik model Exercise 10: Memperbaiki masalah melalui diagnostik model Exercise 11: Memeriksa concurvity Exercise 12: Menelaah konkurtivitas keseluruhan pada data auto Exercise 13: Menelaah concurvity antar variabel auto

Pada bab ini, Anda akan memperluas jenis model yang dapat dibuat ke model dengan interaksi banyak variabel. Anda akan menyesuaikan model data geospasial dengan menggunakan interaksi ini untuk memodelkan permukaan yang kompleks, dan memvisualisasikannya dalam 3D. Selanjutnya Anda akan mempelajari interaksi antara variabel smooth dan variabel kategorikal, serta cara memodelkan interaksi antara variabel yang sangat berbeda seperti ruang dan waktu.

Exercise 1: Penghalusan dua dimensi dan data spasial Exercise 2: Memodelkan polusi tanah di Belanda Exercise 3: Menambahkan lebih banyak variabel untuk memprediksi pencemaran tanah Exercise 4: Memvisualisasikan dan menafsirkan interaksi GAM Exercise 5: Memplot permukaan model Exercise 6: Menyesuaikan plot 3D Exercise 7: Ekstrapolasi pada plot permukaan Exercise 8: Memvisualisasikan interaksi kategorikal-kontinu Exercise 9: Pencemaran tanah pada berbagai penggunaan lahan Exercise 10: Memplot polusi pada berbagai penggunaan lahan Exercise 11: Interaksi dengan Skala Berbeda: Tensor Exercise 12: Model polusi dengan interaksi multi-skala Exercise 13: Memisahkan interaksi multi-skala

Pada tiga bab pertama, Anda menggunakan GAM untuk regresi dengan keluaran kontinu. Pada bab ini, Anda akan menggunakan GAM untuk klasifikasi. Anda akan membangun GAM logistik untuk memprediksi keluaran biner seperti perilaku pembelian pelanggan, mempelajari cara memvisualisasikan jenis model baru ini, membuat prediksi, dan mempelajari cara menjelaskan variabel yang memengaruhi setiap prediksi.

Exercise 1: Jenis hasil model Exercise 2: Klasifikasi perilaku pembelian Exercise 3: Perilaku pembelian dengan beberapa smooth Exercise 4: Memvisualisasikan GAM logistik Exercise 5: Memvisualisasikan pengaruh terhadap probabilitas pembelian Exercise 6: Menafsirkan plot efek pembelian (I)Exercise 7: Menafsirkan plot efek pembelian (II)Exercise 8: Menafsirkan plot efek pembelian (III)Exercise 9: Membuat prediksi Exercise 10: Memprediksi perilaku pembelian dan ketidakpastian Exercise 11: Menjelaskan perilaku individual Exercise 12: Kemampuan lanjutan dengan GAM