or
Este exercício faz parte do curso
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.
Exercício atual
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.
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.
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.