mgcv の plot() 関数で利用できるさまざまな可視化スキームを試してみましょう。
mgcv
plot()
前の演習で作成したモデル（mod2da）はワークスペースに読み込まれています。
mod2da
この演習はコースの一部です
このサンプルコードを完成させて、この演習に挑戦してみましょう。
# Contour plot ___(___, pages = 1)
この章では、Generalized Additive Models の仕組みと、柔軟な非線形関数を使って過学習せずにデータをモデリングする方法を学びます。 mgcvパッケージのgam()関数の使い方を学び、非線形・線形・カテゴリ効果を組み合わせた多変量モデルを構築します。
この章では、第1章で当てはめたモデルをさらに掘り下げ、その解釈と説明方法を学びます。 各変数がモデルの出力にどのように影響するかを示すプロットの作成方法を学びます。 そのうえで、データのアンダーフィットや変数間の潜在的関係に起因するモデルの問題を診断し、反復的に修正して結果を改善する方法を身につけます。
この章では、複数の変数間の相互作用を含むモデルへと拡張します。 これらの相互作用を用いて複雑な曲面を表現し、地理空間データのモデルを当てはめ、3Dで可視化します。 さらに、スムーズ項とカテゴリ変数の相互作用、空間と時間のように性質の異なる変数間の相互作用のモデリング方法も学びます。
現在の演習
最初の3章では、連続的なアウトカムに対する回帰にGAMを用いました。 この章では、GAMを分類に用います。 二値のアウトカム（例：顧客の購買行動）を予測するロジスティックGAMを構築し、この新しいタイプのモデルの可視化、予測の実行、各予測に影響する変数の説明方法を学びます。