Kategorispecifika smooths för olika biltyper

Nu utökar du dina modeller till att inkludera olika smooths för olika nivåer av kategoriska variabler.

Den här övningen är en del av kursen

Icke-linjär modellering med Generalized Additive Models (GAMs) i R

Övningsinstruktioner

Anpassa en modell för att förutsäga bränsleeffektivitet i stad (city.mpg) med smooth-termer för weight, length och price, men låt var och en av dessa smooth-termer bero på den kategoriska variabeln drive genom att använda by= i smooth-termerna.
Inkludera en separat linjär term för variabeln drive.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

library(mgcv)
# Fit the model
mod_city3 <- gam(city.mpg ~ ___, 
                 data = mpg, method = "REML")

# Plot the model
plot(mod_city3, pages = 1)

Redigera och kör kod

Den här övningen är en del av kursen

Icke-linjär modellering med Generalized Additive Models (GAMs) i R

SkillTag.level.intermediateSkillTag.label

4.8+

Starta kursen gratis

I det här kapitlet lär du dig hur Generalized Additive Models fungerar och hur du använder flexibla, icke-linjära funktioner för att modellera data utan att överanpassa. Du lär dig att använda funktionen gam() i mgcv-paketet och hur du bygger multivariata modeller som kombinerar icke-linjära, linjära och kategoriska effekter.

Exercise 1: Introduktion Exercise 2: Motorcykelkraschdata: linjär ansats Exercise 3: Motorcykelkraschdata: ett icke-linjärt angreppssätt Exercise 4: Delar av en icke-linjär funktion Exercise 5: Basfunktioner och utjämning Exercise 6: Ange komplexiteten hos motorcykelmodellen Exercise 7: Använda utjämningsparametrar för att undvika överanpassning Exercise 8: Komplexitet och utjämning tillsammans Exercise 9: Multivariata GAM:er Exercise 10: Multivariata GAM:er för bilprestanda Exercise 11: Lägga till kategoriska variabler i bilprestationsmodellen Exercise 12: Kategorispecifika smooths för olika biltyper

Aktuell övning

I det här kapitlet tittar du närmare på de modeller du byggde i kapitel 1 och lär dig att tolka och förklara dem. Du lär dig att skapa diagram som visar hur olika variabler påverkar modellens utfall. Därefter diagnostiserar du problem som uppstår när data underanpassas eller när det finns dolda samband mellan variabler, och du lär dig att iterativt åtgärda dessa problem för att få bättre resultat.

Exercise 1: Tolka GAM-utdata Exercise 2: Signifikans och linjäritet (I)Exercise 3: Signifikans och linjäritet (II)Exercise 4: Visualisering av GAM-modeller Exercise 5: Plotta motorcykelkraschmodellen och data Exercise 6: Visualisera flera prestandavariabler för bilar Exercise 7: Visualisera osäkerhet i bilprestanda Exercise 8: Modellkontroll med gam.check()Exercise 9: Tolka modelldiagnostik Exercise 10: Åtgärda problem med modelldiagnostik Exercise 11: Kontrollera konkurvitet Exercise 12: Undersök övergripande konkurvitet i bildata Exercise 13: Undersöka konkurvitet mellan autovariabler

I det här kapitlet utökar du de typer av modeller du kan anpassa till sådana som inkluderar interaktioner mellan flera variabler. Du anpassar modeller för geospatiala data genom att använda dessa interaktioner för att modellera komplexa ytor och visualisera dem i 3D. Sedan lär du dig om interaktioner mellan utjämnade och kategoriska variabler, samt hur du modellerar interaktioner mellan mycket olika variabler som rum och tid.

Exercise 1: Tvådimensionella utjämningar och geospatiala data Exercise 2: Modellering av markförorening i Nederländerna Exercise 3: Lägga till fler variabler för att förutsäga markföroreningar Exercise 4: Plotta och tolka GAM-interaktioner Exercise 5: Visualisera modellens yta Exercise 6: Anpassa 3D-diagram Exercise 7: Extrapolation i ytplotter Exercise 8: Visualisera interaktioner mellan kategoriska och kontinuerliga variabler Exercise 9: Markföroreningar vid olika markanvändning Exercise 10: Visualisera föroreningar i olika markanvändningstyper Exercise 11: Interaktioner med olika skalor: Tensorer Exercise 12: Föroreningsmodeller med flerskaliga interaktioner Exercise 13: Att separera flerskaliga interaktioner

I de tre första kapitlen använde du GAMs för regression av kontinuerliga utfall. I det här kapitlet använder du GAMs för klassificering. Du bygger logistiska GAMs för att förutsäga binära utfall som konsumenters köpbeteende, lär dig att visualisera den här typen av modell, göra prediktioner och förstå vilka variabler som påverkar varje prediktion.

Exercise 1: Typer av modellutfall Exercise 2: Klassificering av köpbeteende Exercise 3: Köpbeteende med flera utjämningsfunktioner Exercise 4: Visualisering av logistiska GAM:er Exercise 5: Visualisera påverkan på köpannolikhet Exercise 6: Tolka effektplotter för köp (I)Exercise 7: Tolka effektplottar för köp (II)Exercise 8: Tolkning av effektplotter för köp (III)Exercise 9: Göra förutsägelser Exercise 10: Förutsäga köpbeteende och osäkerhet Exercise 11: Förklara individuellt beteende Exercise 12: Mer att göra med GAM:er