Funções base e suavização

Modelagem Não Linear com Generalized Additive Models (GAMs) em R

Noam Ross

Senior Research Scientist, EcoHealth Alliance

Encontrar o ajuste ideal

  • Perto dos dados (evita underfitting)
  • Sem ajustar o ruído (evita overfitting)
Modelagem Não Linear com Generalized Additive Models (GAMs) em R

Equilibrando as ondulações

$$\LARGE \text{Ajuste} = \text{Verossimilhança} - \lambda \times \text{Ondulações}$$

Modelagem Não Linear com Generalized Additive Models (GAMs) em R

Escolhendo o parâmetro de suavização

Modelagem Não Linear com Generalized Additive Models (GAMs) em R

Sintaxe de suavização

Definindo um parâmetro de suavização fixo

gam(y ~ s(x), data = dat, sp = 0.1)
gam(y ~ s(x, sp = 0.1), data = dat)

Suavização via verossimilhança máxima restrita

gam(y ~ s(x), data = dat, method = "REML")
Modelagem Não Linear com Generalized Additive Models (GAMs) em R

Número de funções base

Modelagem Não Linear com Generalized Additive Models (GAMs) em R

Sintaxe de função base

Definindo o número de funções base

gam(y ~ s(x, k = 3), data = dat, method = "REML")

gam(y ~ s(x, k = 10), data = dat, method = "REML")

Use os padrões

gam(y ~ s(x), data = dat, method = "REML")
Modelagem Não Linear com Generalized Additive Models (GAMs) em R

Vamos praticar!

Modelagem Não Linear com Generalized Additive Models (GAMs) em R

Preparing Video For Download...