or
แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร
ในบทนี้ จะได้เรียนรู้ว่า Generalized Additive Models ทำงานอย่างไร และวิธีใช้ฟังก์ชันไม่เชิงเส้นที่ยืดหยุ่นในการสร้างโมเดลข้อมูลโดยไม่เกิด overfitting จะได้ฝึกใช้ฟังก์ชัน `gam()` ในแพ็กเกจ mgcv และการสร้างโมเดลหลายตัวแปรที่ผสมผสานเอฟเฟกต์แบบไม่เชิงเส้น เชิงเส้น และแบบกลุ่มเข้าด้วยกัน
แบบฝึกหัดปัจจุบัน
ในบทนี้ จะเจาะลึกโมเดลที่สร้างไว้ในบทที่ 1 และเรียนรู้วิธีตีความและอธิบายโมเดลเหล่านั้น จะได้เรียนรู้การสร้างกราฟเพื่อแสดงว่าตัวแปรต่าง ๆ ส่งผลต่อผลลัพธ์ของโมเดลอย่างไร จากนั้นจะวินิจฉัยปัญหาที่เกิดจาก underfitting และความสัมพันธ์ที่ซ่อนอยู่ระหว่างตัวแปร พร้อมเรียนรู้วิธีแก้ไขปัญหาเหล่านั้นแบบวนซ้ำเพื่อให้ได้ผลลัพธ์ที่ดียิ่งขึ้น
ในบทนี้ จะขยายขอบเขตการสร้างโมเดลให้ครอบคลุมอินเทอร์แอกชันระหว่างหลายตัวแปร จะได้ฝึกสร้างโมเดลข้อมูลเชิงพื้นที่โดยใช้อินเทอร์แอกชันเหล่านี้เพื่อสร้างแบบจำลองพื้นผิวที่ซับซ้อน และแสดงผลในรูปแบบ 3 มิติ จากนั้นจะเรียนรู้เกี่ยวกับอินเทอร์แอกชันระหว่างตัวแปรแบบ smooth และตัวแปรเชิงกลุ่ม รวมถึงการสร้างโมเดลอินเทอร์แอกชันระหว่างตัวแปรที่แตกต่างกันมาก เช่น พื้นที่และเวลา
ในสามบทแรก ใช้ GAMs สำหรับการถดถอยของผลลัพธ์ต่อเนื่อง ในบทนี้ จะนำ GAMs มาใช้สำหรับการจำแนกประเภท โดยจะสร้าง logistic GAMs เพื่อพยากรณ์ผลลัพธ์แบบไบนารี เช่น พฤติกรรมการซื้อของลูกค้า เรียนรู้การแสดงผลโมเดลรูปแบบใหม่นี้ การทำนาย และการอธิบายตัวแปรที่มีอิทธิพลต่อการทำนายแต่ละครั้ง