Comece agoraComece grátis

Início
Cursos
Modelagem Não Linear com Generalized Additive Models (GAMs) em R

Verificação do modelo com 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.

Este exercicio faz parte do curso

Modelagem Não Linear com Generalized Additive Models (GAMs) em R

IntermediárioNível de habilidade

4.8+

Comece o curso gratuitamente

Neste capítulo, você vai aprender como Generalized Additive Models funcionam e como usar funções flexíveis e não lineares para modelar dados sem overfitting. Você vai aprender a usar a função gam() do pacote mgcv e a construir modelos multivariados que combinam efeitos não lineares, lineares e categóricos nos dados.

Exercise 1: Introdução Exercise 2: Dados de acidentes de moto: abordagem linear Exercise 3: Dados de acidente de motocicleta: abordagem não linear Exercise 4: Partes de uma função não linear Exercise 5: Funções base e suavização Exercise 6: Definindo a complexidade do modelo da motocicleta Exercise 7: Usando parâmetros de suavização para evitar overfitting Exercise 8: Complexidade e suavização juntas Exercise 9: GAMs multivariados Exercise 10: GAMs multivariados de desempenho de automóveis Exercise 11: Adicionando variáveis categóricas ao modelo de desempenho do carro Exercise 12: Suavizações por categoria para diferentes tipos de automóveis

Neste capítulo, você vai analisar mais de perto os modelos que ajustou no capítulo 1 e aprender a interpretá-los e explicá-los. Você aprenderá a criar gráficos que mostram como diferentes variáveis afetam os resultados do modelo. Depois, você vai diagnosticar problemas nos modelos decorrentes de underfitting dos dados ou de relações ocultas entre variáveis, e aprender como corrigir esses problemas de forma iterativa para obter resultados melhores.

Exercise 1: Interpretando as saídas de um GAM Exercise 2: Significance and linearity (I)Exercise 3: Significância e linearidade (II)Exercise 4: Visualizando GAMs Exercise 5: Plotando o modelo e os dados do acidente de motocicleta Exercise 6: Plotando múltiplas variáveis de desempenho de automóveis Exercise 7: Visualizando a incerteza no desempenho do carro Exercise 8: Verificação do modelo com gam.check()

Exercicio Atual

Exercise 9: Lendo diagnósticos do modelo Exercise 10: Corrigindo problemas com diagnósticos do modelo Exercise 11: Verificando concurvidade Exercise 12: Examinando a concurvidade geral nos dados de automóveis Exercise 13: Examinando a concorrvexidade entre variáveis de auto

Neste capítulo, você vai ampliar os tipos de modelos que pode ajustar para incluir interações entre múltiplas variáveis. Você ajustará modelos com dados geoespaciais usando essas interações para modelar superfícies complexas e visualizar essas superfícies em 3D. Em seguida, você vai conhecer interações entre variáveis suaves e categóricas e aprender a modelar interações entre variáveis bem diferentes, como espaço e tempo.

Exercise 1: Suavizações bidimensionais e dados espaciais Exercise 2: Modelando poluição do solo nos Países Baixos Exercise 3: Adicionando mais variáveis para prever poluição do solo Exercise 4: Plotando e interpretando interações em GAMs Exercise 5: Plotando a superfície do modelo Exercise 6: Personalizando gráficos 3D Exercise 7: Extrapolação em gráficos de superfície Exercise 8: Visualizando interações entre variáveis categóricas e contínuas Exercise 9: Poluição do solo em diferentes usos do solo Exercise 10: Plotando poluição em diferentes usos do solo Exercise 11: Interações com escalas diferentes: tensores Exercise 12: Modelos de poluição com interações em múltiplas escalas Exercise 13: Diferenciando interações em múltiplas escalas

Nos três primeiros capítulos, você usou GAMs para regressão de resultados contínuos. Neste capítulo, você usará GAMs para classificação. Você vai construir GAMs logísticos para prever desfechos binários, como o comportamento de compra de clientes, aprender a visualizar esse novo tipo de modelo, fazer previsões e entender como explicar as variáveis que influenciam cada predição.

Exercise 1: Tipos de resultados de modelo Exercise 2: Classificando o comportamento de compra Exercise 3: Comportamento de compra com múltiplos smooths Exercise 4: Visualizando GAMs logísticos Exercise 5: Visualizando influências na probabilidade de compra Exercise 6: Interpretando gráficos de efeito de compra (I)Exercise 7: Interpretando gráficos de efeito de compra (II)Exercise 8: Interpretando gráficos de efeito sobre compra (III)Exercise 9: Fazendo previsões Exercise 10: Prevendo comportamento de compra e incerteza Exercise 11: Explicando comportamentos individuais Exercise 12: Fazendo mais com GAMs