Inizia subitoInizia gratis

Home
Corsi
Modellazione non lineare con Generalized Additive Models (GAM) in R

Verificare la concurvità

Create Your Free Account

or

Email Address

Password

By continuing, you accept our Terms of Use, our Privacy Policy and that your data is stored in the USA.

Questo esercizio fa parte del corso

Modellazione non lineare con Generalized Additive Models (GAM) in R

IntermediárioNível de habilidade

4.8+

Inizia il corso gratuitamente

In questo capitolo scoprirai come funzionano i Generalized Additive Models e come usare funzioni flessibili e non lineari per modellare i dati senza overfitting. Imparerai a usare la funzione gam() del pacchetto mgcv e a costruire modelli multivariati che combinano effetti non lineari, lineari e categorici sui dati.

Exercise 1: Introduzione Exercise 2: Dati sugli incidenti in moto: approccio lineare Exercise 3: Dati sugli incidenti in moto: approccio non lineare Exercise 4: Componenti di una funzione non lineare Exercise 5: Funzioni base e smoothing Exercise 6: Impostare la complessità del modello della motocicletta Exercise 7: Usare i parametri di smoothing per evitare l'overfitting Exercise 8: Complessità e smoothing insieme Exercise 9: GAM multivariati Exercise 10: GAM multivariati delle prestazioni auto Exercise 11: Aggiungere variabili categoriche al modello sulle prestazioni auto Exercise 12: Curve smooth a livello di categoria per diversi tipi di auto

In questo capitolo analizzerai più da vicino i modelli che hai adattato nel capitolo 1 e imparerai a interpretarli e spiegarli. Imparerai a creare grafici che mostrano come diverse variabili influenzano gli esiti del modello. Poi diagnosticherai i problemi dei modelli dovuti a underfitting dei dati o a relazioni nascoste tra variabili, e vedrai come correggerli iterativamente per ottenere risultati migliori.

Exercise 1: Interpretare i risultati dei GAM Exercise 2: Significatività e linearità (I)Exercise 3: Significatività e linearità (II)Exercise 4: Visualizzare i GAM Exercise 5: Grafico del modello e dei dati dell'incidente in moto Exercise 6: Rappresentare più variabili di performance auto Exercise 7: Visualizzare l’incertezza sulle prestazioni dell’auto Exercise 8: Verifica del modello con gam.check()Exercise 9: Leggere le diagnostiche del modello Exercise 10: Correggere i problemi con la diagnostica del modello Exercise 11: Verificare la concurvità

Esercizio attuale

Exercise 12: Esaminare la concurvity complessiva nei dati auto Exercise 13: Esaminare la concurvità tra le variabili auto

In questo capitolo estenderai i tipi di modelli che puoi adattare includendo interazioni tra più variabili. Adatterai modelli a dati geospaziali usando queste interazioni per rappresentare superfici complesse e visualizzerai tali superfici in 3D. Poi imparerai le interazioni tra variabili smooth e categoriche e come modellare interazioni tra variabili molto diverse, come spazio e tempo.

Exercise 1: Smooth bidimensionali e dati spaziali Exercise 2: Modellare l'inquinamento del suolo nei Paesi Bassi Exercise 3: Aggiungere più variabili per prevedere l'inquinamento del suolo Exercise 4: Rappresentare e interpretare le interazioni nei GAM Exercise 5: Rappresentare la superficie del modello Exercise 6: Personalizzare i grafici 3D Exercise 7: Extrapolation nei grafici di superficie Exercise 8: Visualizzare le interazioni tra variabili categoriche e continue Exercise 9: Inquinamento del suolo in diversi usi del territorio Exercise 10: Rappresentare l'inquinamento in diversi usi del suolo Exercise 11: Interazioni con scale diverse: tensori Exercise 12: Modelli di inquinamento con interazioni multi-scala Exercise 13: Separare le interazioni multi-scala

Nei primi tre capitoli hai utilizzato i GAM per la regressione di esiti continui. In questo capitolo userai i GAM per la classificazione. Costruirai GAM logistici per prevedere esiti binari, come il comportamento d’acquisto dei clienti, imparerai a visualizzare questo nuovo tipo di modello, a fare previsioni e a spiegare le variabili che influenzano ciascuna previsione.

Exercise 1: Tipi di risultati del modello Exercise 2: Classificare il comportamento di acquisto Exercise 3: Comportamento d’acquisto con più smooth Exercise 4: Visualizzare i GAM logistici Exercise 5: Visualizzare le influenze sulla probabilità di acquisto Exercise 6: Interpretare i grafici dell’effetto sull’acquisto (I)Exercise 7: Interpretare i grafici dell'effetto sull'acquisto (II)Exercise 8: Interpretare i grafici dell’effetto sull’acquisto (III)Exercise 9: Fare previsioni Exercise 10: Prevedere il comportamento d’acquisto e l’incertezza Exercise 11: Spiegare i comportamenti individuali Exercise 12: Fare di più con i GAM