Zacznij terazZacznij za darmo

Strona główna
Kursy
Nieliniowe modelowanie z użyciem uogólnionych modeli addytywnych (GAM) w R

Diagnostyka modelu z użyciem gam.check()

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.

To ćwiczenie jest częścią kursu

Nieliniowe modelowanie z użyciem uogólnionych modeli addytywnych (GAM) w R

SkillTag.level.intermediateSkillTag.label

4.8+

Rozpocznij kurs za darmo

W tym rozdziale dowiesz się, jak działają uogólnione modele addytywne i jak używać elastycznych, nieliniowych funkcji do modelowania danych bez nadmiernego dopasowania. Nauczysz się korzystać z funkcji gam() z biblioteki mgcv oraz budować modele wielowymiarowe łączące efekty nieliniowe, liniowe i kategoryczne.

Exercise 1: Wprowadzenie Exercise 2: Dane z wypadku motocyklowego: podejście liniowe Exercise 3: Dane o wypadku motocyklowym: podejście nieliniowe Exercise 4: Składowe funkcji nieliniowej Exercise 5: Funkcje bazowe i wygładzanie Exercise 6: Ustawianie złożoności modelu dla danych motorcycle Exercise 7: Parametry wygładzania a unikanie przeuczenia Exercise 8: Złożoność i wygładzanie razem Exercise 9: Wielowymiarowe GAM Exercise 10: Wielowymiarowe GAM dla osiągów samochodów Exercise 11: Dodawanie zmiennych kategorycznych do modelu osiągów samochodów Exercise 12: Wygładzenia na poziomie kategorii dla różnych typów samochodów

W tym rozdziale przyjrzysz się bliżej modelom zbudowanym w rozdziale 1 i nauczysz się je interpretować oraz objaśniać. Dowiesz się, jak tworzyć wykresy pokazujące wpływ poszczególnych zmiennych na wyniki modelu. Następnie zdiagnozujesz problemy wynikające z niedopasowania danych lub ukrytych zależności między zmiennymi, a także nauczysz się iteracyjnie je naprawiać i uzyskiwać lepsze wyniki.

Exercise 1: Interpretacja wyników GAM Exercise 2: Istotność i liniowość (I)Exercise 3: Istotność i liniowość (II)Exercise 4: Wizualizacja GAM Exercise 5: Wizualizacja modelu i danych z wypadków motocyklowych Exercise 6: Wizualizacja wielu zmiennych osiągów samochodów Exercise 7: Wizualizacja niepewności osiągów samochodów Exercise 8: Diagnostyka modelu z użyciem gam.check()

Bieżące ćwiczenie

Exercise 9: Odczytywanie diagnostyki modelu Exercise 10: Rozwiązywanie problemów za pomocą diagnostyki modelu Exercise 11: Sprawdzanie współliniowości nieliniowej Exercise 12: Analiza ogólnej współliniowości wygładzeń w danych o samochodach Exercise 13: Badanie współliniowości między zmiennymi dotyczącymi samochodów

W tym rozdziale rozszerzysz repertuar budowanych modeli o takie, które uwzględniają interakcje między wieloma zmiennymi. Dopasowujesz modele do danych geoprzestrzennych, używając tych interakcji do modelowania złożonych powierzchni, i wizualizujesz je w trzech wymiarach. Następnie poznasz interakcje między zmiennymi gładkimi a kategorycznymi oraz nauczysz się modelować interakcje między bardzo różnymi zmiennymi, takimi jak przestrzeń i czas.

Exercise 1: Dwuwymiarowe wygładzanie i dane przestrzenne Exercise 2: Modelowanie zanieczyszczenia gleby w Holandii Exercise 3: Dodawanie kolejnych zmiennych do przewidywania zanieczyszczenia gleby Exercise 4: Wizualizacja i interpretacja interakcji w GAM Exercise 5: Wizualizacja powierzchni modelu Exercise 6: Dostosowywanie wykresów 3D Exercise 7: Ekstrapolacja na wykresach powierzchniowych Exercise 8: Wizualizacja interakcji zmiennych kategorialnych i ciągłych Exercise 9: Zanieczyszczenie gleby a różne sposoby użytkowania terenu Exercise 10: Wizualizacja zanieczyszczenia w różnych typach użytkowania terenu Exercise 11: Interakcje przy różnych skalach: tensory Exercise 12: Modele zanieczyszczeń z interakcjami wieloskalowymi Exercise 13: Rozdzielanie interakcji wieloskalowych

W pierwszych trzech rozdziałach używałeś GAM-ów do regresji zmiennych ciągłych. W tym rozdziale zastosujesz GAM-y do klasyfikacji. Zbudujesz logistyczne GAM-y do przewidywania wyników binarnych – takich jak decyzje zakupowe klientów – nauczysz się wizualizować ten nowy typ modelu, wykonywać predykcje i objaśniać zmienne wpływające na każdą z nich.

Exercise 1: Typy wyników modelu Exercise 2: Klasyfikacja zachowań zakupowych Exercise 3: Zachowanie zakupowe z wieloma wygładzeniami Exercise 4: Wizualizacja logistycznych GAM Exercise 5: Wizualizacja wpływu zmiennych na prawdopodobieństwo zakupu Exercise 6: Interpretowanie wykresów efektów zakupu (I)Exercise 7: Interpretacja wykresów efektów zakupu (II)Exercise 8: Interpretacja wykresów efektów zakupu (III)Exercise 9: Prognozowanie Exercise 10: Przewidywanie zachowań zakupowych i niepewności Exercise 11: Wyjaśnianie indywidualnych zachowań Exercise 12: Więcej możliwości GAM