or
Bài tập này là một phần của khóa học
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.
Bài tập hiện tại
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.
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.
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.