Mức ý nghĩa và tính tuyến tính (II)

Với cùng mô hình (mod_city4), thành phần trơn nào là không có ý nghĩa thống kê và phi tuyến?

mod_city4 đã có sẵn trong không gian làm việc của bạn.

Bài tập này là một phần của khóa học

Mô hình hóa phi tuyến với Generalized Additive Models (GAMs) trong R

Xem khóa học

Bài tập tương tác thực hành

Biến lý thuyết thành hành động với một trong các bài tập tương tác của chúng tôi

Bắt đầu bài tập

Bài tập này là một phần của khóa học

Mô hình hóa phi tuyến với Generalized Additive Models (GAMs) trong R

SkillTag.level.intermediateSkillTag.label

4.8+

Bắt đầu khóa học miễn phí

Trong chương này, bạn sẽ học cách Generalized Additive Models hoạt động và cách dùng các hàm linh hoạt, phi tuyến để mô hình hóa dữ liệu mà không bị quá khớp. Bạn sẽ học cách dùng hàm gam() trong gói mgcv, và cách xây dựng các mô hình đa biến kết hợp hiệu ứng phi tuyến, tuyến tính và phân loại cho dữ liệu.

Exercise 1: Giới thiệu Exercise 2: Dữ liệu tai nạn mô tô: cách tiếp cận tuyến tính Exercise 3: Dữ liệu tai nạn xe máy: tiếp cận phi tuyến Exercise 4: Các thành phần của hàm phi tuyến Exercise 5: Hàm cơ sở và làm trơn Exercise 6: Thiết lập độ phức tạp cho mô hình motorcycle Exercise 7: Dùng tham số làm trơn để tránh overfitting Exercise 8: Kết hợp độ phức tạp và mức làm trơn Exercise 9: GAM đa biến Exercise 10: GAM đa biến cho hiệu năng xe hơi Exercise 11: Thêm biến phân loại vào mô hình hiệu suất xe Exercise 12: Đường trơn theo từng hạng mục cho các loại xe khác nhau

Trong chương này, bạn sẽ xem xét kỹ hơn các mô hình đã fit ở chương 1 và học cách diễn giải cũng như giải thích chúng. Bạn sẽ học cách vẽ các biểu đồ cho thấy những biến khác nhau ảnh hưởng đến kết quả mô hình như thế nào. Sau đó, bạn sẽ chẩn đoán các vấn đề nảy sinh từ việc dưới khớp dữ liệu hoặc các mối quan hệ ẩn giữa các biến, và cách lặp lại để khắc phục các vấn đề đó nhằm đạt kết quả tốt hơn.

Exercise 1: Diễn giải đầu ra của GAM Exercise 2: Độ ý nghĩa và tính tuyến tính (I)Exercise 3: Mức ý nghĩa và tính tuyến tính (II)

Bài tập hiện tại

Exercise 4: Trực quan hóa GAMs Exercise 5: Vẽ mô hình tai nạn xe máy và dữ liệu Exercise 6: Vẽ nhiều biến hiệu suất ô tô Exercise 7: Trực quan hóa độ bất định của hiệu năng xe Exercise 8: Kiểm tra mô hình với gam.check()Exercise 9: Đọc chẩn đoán mô hình Exercise 10: Sửa lỗi dựa trên chẩn đoán mô hình Exercise 11: Kiểm tra concurvity Exercise 12: Xem xét độ đồng cong tổng thể trong dữ liệu auto Exercise 13: Kiểm tra concurvity giữa các biến của auto

Trong chương này, bạn sẽ mở rộng các loại mô hình có thể fit sang những mô hình có tương tác giữa nhiều biến. Bạn sẽ fit các mô hình dữ liệu địa không gian bằng cách dùng các tương tác để mô hình hóa các bề mặt phức tạp và trực quan hóa các bề mặt đó trong 3D. Tiếp theo, bạn sẽ tìm hiểu về tương tác giữa biến trơn và biến phân loại, và cách mô hình hóa tương tác giữa các biến rất khác nhau như không gian và thời gian.

Exercise 1: Làm trơn hai chiều và dữ liệu không gian Exercise 2: Mô hình hóa ô nhiễm đất ở Hà Lan Exercise 3: Bổ sung thêm biến để dự đoán ô nhiễm đất Exercise 4: Vẽ và diễn giải tương tác trong GAM Exercise 5: Vẽ bề mặt mô hình Exercise 6: Tùy biến biểu đồ 3D Exercise 7: Ngoại suy trong biểu đồ bề mặt Exercise 8: Trực quan hóa tương tác giữa biến phân loại và biến liên tục Exercise 9: Ô nhiễm đất theo các loại hình sử dụng đất Exercise 10: Vẽ biểu đồ ô nhiễm theo các loại hình sử dụng đất khác nhau Exercise 11: Tương tác trên các thang đo khác nhau: Tensor Exercise 12: Mô hình ô nhiễm với tương tác đa tỷ lệ Exercise 13: Tách riêng các tương tác đa thang đo

Trong ba chương đầu, bạn đã dùng GAM cho hồi quy với đầu ra liên tục. Ở chương này, bạn sẽ dùng GAM cho phân loại. Bạn sẽ xây dựng GAM logistic để dự đoán các đầu ra nhị phân như hành vi mua hàng của khách, học cách trực quan hóa kiểu mô hình mới này, tạo dự đoán, và học cách giải thích các biến ảnh hưởng đến từng dự đoán.

Exercise 1: Các loại đầu ra của mô hình Exercise 2: Phân loại hành vi mua hàng Exercise 3: Hành vi mua hàng với nhiều smooth Exercise 4: Trực quan hóa GAM logistic Exercise 5: Trực quan hóa ảnh hưởng đến xác suất mua hàng Exercise 6: Diễn giải biểu đồ hiệu ứng mua hàng (I)Exercise 7: Diễn giải biểu đồ hiệu ứng mua hàng (II)Exercise 8: Diễn giải biểu đồ hiệu ứng lên việc mua hàng (III)Exercise 9: Tạo dự đoán Exercise 10: Dự đoán hành vi mua hàng và độ bất định Exercise 11: Giải thích hành vi cá nhân Exercise 12: Khai thác thêm sức mạnh của GAMs