Fonctions de base et lissage

Modélisation non linéaire avec les Generalized Additive Models (GAM) en R

Noam Ross

Senior Research Scientist, EcoHealth Alliance

Obtenir le bon ajustement

  • Proche des données (éviter le sous-ajustement)
  • Sans épouser le bruit (éviter le surajustement)
Modélisation non linéaire avec les Generalized Additive Models (GAM) en R

Équilibrer l'ondulation

$$\LARGE \text{Ajustement} = \text{Vraisemblance} - \lambda \times \text{Ondulation}$$

Modélisation non linéaire avec les Generalized Additive Models (GAM) en R

Choisir le bon paramètre de lissage

Modélisation non linéaire avec les Generalized Additive Models (GAM) en R

Syntaxe de lissage

Définir un paramètre de lissage fixe

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

Lissage par vraisemblance maximale restreinte

gam(y ~ s(x), data = dat, method = "REML")
Modélisation non linéaire avec les Generalized Additive Models (GAM) en R

Nombre de fonctions de base

Modélisation non linéaire avec les Generalized Additive Models (GAM) en R

Syntaxe des fonctions de base

Définir le nombre de fonctions de base

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

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

Utiliser les valeurs par défaut

gam(y ~ s(x), data = dat, method = "REML")
Modélisation non linéaire avec les Generalized Additive Models (GAM) en R

Passons à la pratique !

Modélisation non linéaire avec les Generalized Additive Models (GAM) en R

Preparing Video For Download...