Funzioni di base e smoothing

Modellazione non lineare con Generalized Additive Models (GAM) in R

Noam Ross

Senior Research Scientist, EcoHealth Alliance

Trovare il giusto adattamento

  • Vicino ai dati (evita l'underfitting)
  • Non adatta il rumore (evita l'overfitting)
Modellazione non lineare con Generalized Additive Models (GAM) in R

Bilanciare l'irregolarità

$$\LARGE \text{Adattamento} = \text{Verosimiglianza} - \lambda \times \text{Irregolarità}$$

Modellazione non lineare con Generalized Additive Models (GAM) in R

Scegliere il giusto parametro di smoothing

Modellazione non lineare con Generalized Additive Models (GAM) in R

Sintassi dello smoothing

Impostare un parametro di smoothing fisso

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

Smoothing via restricted maximum likelihood

gam(y ~ s(x), data = dat, method = "REML")
Modellazione non lineare con Generalized Additive Models (GAM) in R

Numero di funzioni di base

Modellazione non lineare con Generalized Additive Models (GAM) in R

Sintassi delle funzioni di base

Impostare il numero di funzioni di base

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

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

Usare i valori predefiniti

gam(y ~ s(x), data = dat, method = "REML")
Modellazione non lineare con Generalized Additive Models (GAM) in R

Esercitiamoci!

Modellazione non lineare con Generalized Additive Models (GAM) in R

Preparing Video For Download...