Significantie en lineariteit (II)

Kijkend naar hetzelfde model (mod_city4), welke smooth-term is níet significant én niet-lineair?

mod_city4 is beschikbaar in je werkruimte.

Deze oefening maakt deel uit van de cursus

Niet-lineaire modellering met Generalized Additive Models (GAM's) in R

Interactieve oefening met praktijkervaring

Zet theorie om in actie met een van onze interactieve oefeningen

Deze oefening maakt deel uit van de cursus

Niet-lineaire modellering met Generalized Additive Models (GAM's) in R

SkillTag.level.intermediateSkillTag.label

4.8+

Begin gratis met de cursus

In dit hoofdstuk leer je hoe Generalized Additive Models werken en hoe je flexibele, niet-lineaire functies gebruikt om data te modelleren zonder overfitting. Je leert de functie gam() in het mgcv-pakket gebruiken en hoe je multivariate modellen bouwt die niet-lineaire, lineaire en categorische effecten combineren.

Exercise 1: Introductie Exercise 2: Motorrijongeluk-data: lineaire aanpak Exercise 3: Motorongelukgegevens: niet-lineaire aanpak Exercise 4: Onderdelen van een niet-lineaire functie Exercise 5: Basisfuncties en smoothing Exercise 6: Complexiteit van het motorfietsmodel instellen Exercise 7: Smoothingparameters gebruiken om overfitting te voorkomen Exercise 8: Complexiteit en smoothing samen Exercise 9: Multivariate GAM's Exercise 10: Multivariate GAM's voor autoperformance Exercise 11: Categorische variabelen toevoegen aan het model voor autoprestaties Exercise 12: Categoriegebonden smooths voor verschillende autotypes

In dit hoofdstuk kijk je nauwkeuriger naar de modellen die je in hoofdstuk 1 hebt gefit en leer je ze interpreteren en uitleggen. Je leert grafieken maken die laten zien hoe verschillende variabelen de modeluitkomsten beïnvloeden. Daarna diagnosticeer je problemen in modellen die voortkomen uit underfitting of verborgen relaties tussen variabelen, en leer je hoe je die iteratief oplost om betere resultaten te krijgen.

Exercise 1: GAM-resultaten interpreteren Exercise 2: Significantie en lineariteit (I)Exercise 3: Significantie en lineariteit (II)

Huidige oefening

Exercise 4: GAM's visualiseren Exercise 5: Het motorongelukmodel en de gegevens plotten Exercise 6: Meerdere variabelen voor autoprestaties plotten Exercise 7: Onzekerheid in auto-prestaties visualiseren Exercise 8: Modelcontrole met gam.check()Exercise 9: Diagnoses van modellen lezen Exercise 10: Problemen oplossen met modeldiagnostiek Exercise 11: Concurviteit controleren Exercise 12: De algemene concurviteit in autogegevens onderzoeken Exercise 13: Concurviteit tussen auto-variabelen onderzoeken

In dit hoofdstuk breid je de soorten modellen die je kunt fitten uit naar die met interacties tussen meerdere variabelen. Je fitt modellen van geospatiale data door deze interacties te gebruiken om complexe oppervlakken te modelleren, en je visualiseert die oppervlakken in 3D. Daarna leer je over interacties tussen gladde en categorische variabelen, en hoe je interacties modelleert tussen heel verschillende variabelen zoals ruimte en tijd.

Exercise 1: Tweedimensionale smooths en ruimtelijke gegevens Exercise 2: Bodemvervuiling modelleren in Nederland Exercise 3: Meer variabelen toevoegen om bodemvervuiling te voorspellen Exercise 4: GAM-interacties plotten en interpreteren Exercise 5: Het modelsurface plotten Exercise 6: 3D-plots aanpassen Exercise 7: Extrapolatie in oppervlakplots Exercise 8: Interacties tussen categorische en continue variabelen visualiseren Exercise 9: Bodemverontreiniging bij verschillende vormen van landgebruik Exercise 10: Vervuiling plotten voor verschillende landgebruiken Exercise 11: Interacties met verschillende schalen: tensors Exercise 12: Vervuilingsmodellen met multischalige interacties Exercise 13: Multischaalinteracties uit elkaar halen

In de eerste drie hoofdstukken gebruikte je GAM's voor regressie van continue uitkomsten. In dit hoofdstuk gebruik je GAM's voor classificatie. Je bouwt logistische GAM's om binaire uitkomsten te voorspellen, zoals het koopgedrag van klanten, leert dit nieuwe type model te visualiseren, maakt voorspellingen en leert uit te leggen welke variabelen elke voorspelling beïnvloeden.

Exercise 1: Typen modeluitkomsten Exercise 2: Koopgedrag classificeren Exercise 3: Aankoopgedrag met meerdere smooths Exercise 4: Logistische GAM's visualiseren Exercise 5: Invloeden op koopkans visualiseren Exercise 6: Effectplots van aankopen interpreteren (I)Exercise 7: Effectplots van aankopen interpreteren (II)Exercise 8: Effectgrafieken van aankopen interpreteren (III)Exercise 9: Voorspellingen maken Exercise 10: Aankoopgedrag en onzekerheid voorspellen Exercise 11: Uitleggen van individueel gedrag Exercise 12: Meer doen met GAM's