or
Bu egzersiz, kursun bir parçasıdır
Bu bölümde, Genelleştirilmiş katkılı modellerin nasıl çalıştığını ve verileri aşırı uydurmadan modellemek için esnek, doğrusal olmayan fonksiyonların nasıl kullanılacağını öğreneceksin. mgcv paketindeki gam() fonksiyonunu kullanmayı ve doğrusal olmayan, doğrusal ve kategorik etkileri bir araya getiren çok değişkenli modeller kurmayı öğreneceksin.
Geçerli egzersiz
Bu bölümde, 1. bölümde kurduğun modelleri daha yakından inceleyip onları nasıl yorumlayıp açıklayacağını öğreneceksin. Farklı değişkenlerin model sonuçlarını nasıl etkilediğini gösteren grafikler oluşturmayı öğreneceksin. Ardından, veriyi yetersiz modellemekten veya değişkenler arasındaki gizli ilişkilerden kaynaklanan model sorunlarını teşhis edip bu sorunları yinelemeli olarak nasıl düzelteceğini ve daha iyi sonuçlar elde edeceğini göreceksin.
Bu bölümde, birden çok değişkenin etkileşimlerini içeren modellere doğru kapsamını genişleteceksin. Bu etkileşimleri kullanarak karmaşık yüzeyleri modelleyip bu yüzeyleri 3B olarak görselleştirerek jeo-uzamsal verilerin modellerini kuracaksın. Ardından, düzgünleştiriciler ile kategorik değişkenler arasındaki etkileşimleri ve uzay ile zaman gibi çok farklı değişkenlerin etkileşimlerini nasıl modelleyeceğini öğreneceksin.
İlk üç bölümde, GAM’leri sürekli sonuçların regresyonu için kullandın. Bu bölümde, GAM’leri sınıflandırma için kullanacaksın. Müşteri satın alma davranışı gibi ikili sonuçları tahmin etmek için lojistik GAM’ler kuracak, bu yeni model türünü nasıl görselleştireceğini öğrenecek, tahminler yapacak ve her bir tahmini etkileyen değişkenleri nasıl açıklayacağını göreceksin.