การเขียนสูตรสำหรับโมเดล GAM

เมื่อใช้ gam() (docs) เพื่อจำลอง outcome ในรูปแบบฟังก์ชัน additive ของตัวแปรอินพุต สามารถใช้ฟังก์ชัน s() (docs) ภายในสูตรเพื่อระบุว่าต้องการใช้ spline ในการจำลองความสัมพันธ์แบบไม่เชิงเส้นของตัวแปรต่อเนื่องกับ outcome

สมมติว่าต้องการทำนายน้ำหนักที่ลดลง (Wtloss) ของผู้ที่ควบคุมอาหารตลอด 2 ปี โดยพิจารณาจากตัวแปรต่อไปนี้:

ประเภทของ Diet (เชิงกลุ่ม)
Sex (เชิงกลุ่ม)
Age ณ วันเริ่มต้นการควบคุมอาหาร (ต่อเนื่อง)
BMI (ดัชนีมวลกาย) ณ วันเริ่มต้นการควบคุมอาหาร (ต่อเนื่อง)

โดยไม่ต้องการสมมติว่าความสัมพันธ์ใด ๆ เป็นแบบเชิงเส้น

สูตรใดเหมาะสมที่สุด?

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

Supervised Learning ใน R: การถดถอย

ดูคอร์ส

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำจริง

เปลี่ยนทฤษฎีให้เป็นการลงมือทำด้วยแบบฝึกหัดเชิงโต้ตอบหนึ่งในของเรา

เริ่มแบบฝึกหัด

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

Supervised Learning ใน R: การถดถอย

SkillTag.level.intermediateSkillTag.label

4.7+

เริ่มคอร์สฟรี

ในบทนี้จะแนะนำแนวคิดของการถดถอยในมุมมองของ machine learning และนำเสนอวิธีการถดถอยพื้นฐาน ได้แก่ linear regression พร้อมแสดงวิธีฝึกโมเดล linear regression และนำโมเดลไปใช้ทำนายผล

Exercise 1: ยินดีต้อนรับและบทนำ Exercise 2: ระบุงาน Regression Exercise 3: การถดถอยเชิงเส้น — วิธีพื้นฐานที่สำคัญ Exercise 4: เขียนโค้ดสำหรับการถดถอยแบบตัวแปรเดียว Exercise 5: ตรวจสอบโมเดล Exercise 6: การทำนายผลหลังจาก Fit โมเดล Exercise 7: การพยากรณ์จากโมเดลการว่างงาน Exercise 8: การถดถอยเชิงเส้นแบบหลายตัวแปร (ส่วนที่ 1)Exercise 9: การถดถอยเชิงเส้นแบบพหุตัวแปร (ส่วนที่ 2)Exercise 10: สรุป Linear Regression

เมื่อเรียนรู้การฝึกโมเดล linear regression เบื้องต้นแล้ว บทนี้จะมาเรียนรู้วิธีประเมินประสิทธิภาพของโมเดล ทั้งการประเมินผ่านกราฟและการใช้เมตริกพื้นฐาน 2 ตัวสำหรับโมเดลการถดถอย นอกจากนี้ยังจะเรียนรู้วิธีฝึกโมเดลให้ทำงานได้ดีกับข้อมูลจริง ไม่ใช่แค่กับข้อมูลฝึกเท่านั้น แม้จะสาธิตด้วย linear regression แต่แนวคิดเหล่านี้ใช้ได้กับโมเดลที่ฝึกด้วยอัลกอริทึมการถดถอยทุกประเภท

Exercise 1: การประเมินโมเดลด้วยกราฟ Exercise 2: ประเมินโมเดลการว่างงานด้วยกราฟ Exercise 3: Gain Curve สำหรับประเมินโมเดลการว่างงาน Exercise 4: Root Mean Squared Error (RMSE)Exercise 5: คำนวณ RMSE Exercise 6: R-squared Exercise 7: คำนวณค่า R-squared Exercise 8: สหสัมพันธ์และ R-squared Exercise 9: การฝึกโมเดลอย่างถูกต้อง Exercise 10: การสร้างการแบ่งชุดข้อมูล test/train แบบสุ่ม Exercise 11: เทรนโมเดลโดยใช้การแบ่งข้อมูล test/train Exercise 12: ประเมินโมเดลด้วยการแบ่งข้อมูล test/train Exercise 13: สร้างแผน Cross Validation Exercise 14: ประเมินกระบวนการสร้างโมเดลด้วย n-fold cross-validation

ก่อนจะไปยังเทคนิคการถดถอยขั้นสูงขึ้น บทนี้จะพิจารณาประเด็นการสร้างโมเดลเพิ่มเติม ได้แก่ การใช้ข้อมูลนำเข้าแบบหมวดหมู่ ปฏิสัมพันธ์ระหว่างตัวแปร และสถานการณ์ที่ควรแปลงข้อมูลนำเข้าหรือผลลัพธ์ก่อนสร้างโมเดล แม้เทคนิคขั้นสูงบางอย่างจะจัดการประเด็นเหล่านี้ได้โดยอัตโนมัติ แต่การเข้าใจประเด็นเหล่านี้จะช่วยให้เลือกวิธีการที่เหมาะสมได้ดีขึ้น และรู้ว่าประเด็นใดที่ยังต้องจัดการเอง

Exercise 1: อินพุตแบบหมวดหมู่Exercise 2: ทำความเข้าใจโครงสร้างของ input ประเภท categorical Exercise 3: การสร้างโมเดลด้วย input ประเภท categorical Exercise 4: ปฏิสัมพันธ์ระหว่างตัวแปร Exercise 5: การสร้างโมเดลที่มี interaction Exercise 6: การสร้างโมเดลที่มี interaction (2)Exercise 7: การแปลงค่าตอบสนองก่อนสร้างโมเดล Exercise 8: Relative error Exercise 9: การสร้างโมเดลจากผลลัพธ์ทางการเงินที่ผ่านการแปลง log Exercise 10: เปรียบเทียบ RMSE และ Root-Mean-Squared Relative Error Exercise 11: การแปลงค่า Input ก่อนสร้างโมเดล Exercise 12: การแปลงอินพุต: รูปแบบ "hockey stick"Exercise 13: การแปลงค่า input: "hockey stick" (2)

เมื่อเชี่ยวชาญโมเดลเชิงเส้นแล้ว บทนี้จะเริ่มเรียนรู้เทคนิคสำหรับสถานการณ์ที่ไม่เป็นไปตามข้อสมมติของความเป็นเชิงเส้น ซึ่งรวมถึงการทำนายความน่าจะเป็นและความถี่ (ค่าระหว่าง 0 ถึง 1) การทำนายจำนวนนับ (ค่าจำนวนเต็มที่ไม่ติดลบและอัตราที่เกี่ยวข้อง) รวมถึงการตอบสนองที่มีความสัมพันธ์แบบไม่เชิงเส้นแต่เป็นแบบบวกรวมกับข้อมูลนำเข้า อัลกอริทึมเหล่านี้เป็นรูปแบบแปรผันของโมเดลเชิงเส้นมาตรฐาน

Exercise 1: Logistic Regression เพื่อพยากรณ์ความน่าจะเป็น Exercise 2: Fit โมเดลเพื่อพยากรณ์ความน่าจะเป็นในการรอดชีวิตของนกกระจอก Exercise 3: พยากรณ์การรอดชีวิตของนกกระจอก Exercise 4: การถดถอย Poisson และ quasipoisson สำหรับการทำนายจำนวนนับ Exercise 5: Poisson หรือ quasipoisson Exercise 6: ฝึกโมเดลเพื่อพยากรณ์จำนวนการเช่าจักรยาน Exercise 7: พยากรณ์จำนวนการเช่าจักรยานจากข้อมูลใหม่Exercise 8: แสดงภาพการคาดการณ์การเช่าจักรยาน Exercise 9: GAM สำหรับการเรียนรู้การแปลงข้อมูลแบบไม่เชิงเส้น Exercise 10: การเขียนสูตรสำหรับโมเดล GAM

แบบฝึกหัดปัจจุบัน

Exercise 11: การเขียนสูตรสำหรับโมเดล GAM (2)Exercise 12: สร้างโมเดลการเจริญเติบโตของถั่วเหลืองด้วย GAM Exercise 13: พยากรณ์ด้วยโมเดลถั่วเหลืองบนข้อมูลทดสอบ

ในบทนี้จะเรียนรู้อัลกอริทึมการสร้างโมเดลที่ไม่ยึดข้อสมมติเรื่องความเป็นเชิงเส้นหรือแบบบวกรวม และสามารถเรียนรู้ปฏิสัมพันธ์บางรูปแบบระหว่างตัวแปรนำเข้าได้ อัลกอริทึมเหล่านี้เรียกว่าวิธีการแบบ *tree-based* ซึ่งทำงานโดยรวม *decision tree* หลายต้นที่เรียนรู้จากข้อมูลฝึกเข้าด้วยกัน

Exercise 1: แนวคิดเบื้องหลังวิธีการเรียนรู้แบบต้นไม้Exercise 2: การพยากรณ์ด้วย decision tree Exercise 3: Random forests Exercise 4: สร้างโมเดล Random Forest สำหรับการเช่าจักรยาน Exercise 5: พยากรณ์จำนวนการเช่าจักรยานด้วยโมเดล Random Forest Exercise 6: แสดงภาพการทำนายของโมเดล Random Forest สำหรับข้อมูลจักรยาน Exercise 7: การทำ One-Hot-Encoding สำหรับตัวแปรเชิงหมวดหมู่Exercise 8: vtreat กับตัวอย่างขนาดเล็ก Exercise 9: ระดับที่ไม่เคยพบมาก่อน Exercise 10: ใช้ vtreat กับข้อมูลการเช่าจักรยาน Exercise 11: Gradient boosting machines Exercise 12: หาจำนวนต้นไม้ที่เหมาะสมสำหรับ gradient boosting machine Exercise 13: ฝึกโมเดล xgboost สำหรับการเช่าจักรยานและพยากรณ์ผล Exercise 14: ประเมินโมเดล xgboost สำหรับการเช่าจักรยาน Exercise 15: แสดงภาพโมเดล xgboost สำหรับการเช่าจักรยาน