simplification de B04La

Author: GuyliannEngels

inst/tutorials/B04La_nls/B04La_nls.Rmd

@@ -4,7 +4,7 @@ author: "Guyliann Engels & Philippe Grosjean"
 description: "**SDD II Module 4** Application des concepts liés à la régression non linéaire"
 tutorial:
   id: "B04La_nls"
-  version: 1.0.0/5
+  version: 1.1.0/5
 output: 
   learnr::tutorial:
     progressive: true
@@ -78,31 +78,25 @@ df1 <- tibble(
 )
 ```
 
-```{r expo_h3, exercise = TRUE, exercise.setup = "expo_prep"}
-expo <- ___(___, ___, ___, ___)
+```{r expo_h2, exercise = TRUE, exercise.setup = "expo_prep"}
+expo <- ___(data = ___, ___ ~ ___(t, ___, ___), start = list(___ = ___, ___ = ___), trace = TRUE)
 summary(___)
 ```
 
-```{r expo_h3-hint-1}
-expo <- nls(data = ___, ___ ~ exponent(___, ___, ___),
-            start = list(___), trace = ___)
-summary(___)
-```
-
-```{r expo_h3-hint-2}
+```{r expo_h2-hint-1}
 expo <- nls(data = df1, y ~ exponent(t, ___, ___),
-            start = list(y0 = ___, k = ___), trace = ___)
+            start = list(y0 = ___, k = ___), trace = TRUE)
 summary(___)
 #### ATTENTION: Hint suivant = solution !####
 ```
 
-```{r expo_h3-solution}
+```{r expo_h2-solution}
 expo <- nls(data = df1, y ~ exponent(t, y0, k),
             start = list(y0 = 1, k = 0.5), trace = TRUE)
 summary(expo)
 ```
 
-```{r expo_h3-check}
+```{r expo_h2-check}
 grade_code("Félicitation ! Voici ton premier modèle non linéaire... et certainement pas le dernier.")
 ```
 
@@ -122,101 +116,83 @@ Aidez-les en réalisant les différents modèles proposés ci-dessous et sélect
 
 A partir du jeu de données `tumor`, modéliser la croissance tumorale (`volume`) en fonction du temps (`time`) en utilisant une courbe logistique. Calculez le critère d'Akaïke pour votre modèle. 
 
-```{r tumor_logis_h3, exercise = TRUE}
-logis <- ___(___,___)
-summary(___)
-___(___)
-```
-
-```{r tumor_logis_h3-hint-1}
+```{r tumor_logis_h2, exercise = TRUE}
 logis <- nls(data = ___, ___ ~ SSlogis(___, ___, ___, ___))
 summary(___)
 ___(___)
 ```
 
-```{r tumor_logis_h3-hint-2}
+```{r tumor_logis_h2-hint-1}
 logis <- nls(data = tumor, volume ~ SSlogis(time, ___, ___, ___))
 summary(___)
 ___(logis)
 
 #### ATTENTION: Hint suivant = solution !####
 ```
 
-```{r tumor_logis_h3-solution}
+```{r tumor_logis_h2-solution}
 logis <- nls(data = tumor, volume ~ SSlogis(time, Asym, xmid, scal))
 summary(logis)
 AIC(logis)
 ```
 
-```{r tumor_logis_h3-check}
+```{r tumor_logis_h2-check}
 grade_code("Tu progresses bien ! Essayons un autre modèle pour voir si l'on peut trouver mieux.")
 ```
 
 ### Modèle de Gompertz
 
 A partir du jeu de données `tumor`, modéliser la croissance tumorale (`volume`) en fonction du temps (`time`) en utilisant le modèle de Gompertz. Calculez le critère d'Akaïke pour votre modèle. 
 
-```{r tumor_gomp_h3, exercise = TRUE}
-gomp <- ___(___,___)
-summary(___)
-___(___)
-```
-
-```{r tumor_gomp_h3-hint-1}
+```{r tumor_gomp_h2, exercise = TRUE}
 gomp <- nls(data = ___, ___ ~ SSgompertz(___, ___, ___, ___))
 summary(___)
 ___(___)
 ```
 
-```{r tumor_gomp_h3-hint-2}
+```{r tumor_gomp_h2-hint-1}
 gomp <- nls(data = tumor, volume ~ SSgompertz(time, ___, ___, ___))
 summary(___)
 ___(gomp)
 
 #### ATTENTION: Hint suivant = solution !####
 ```
 
-```{r tumor_gomp_h3-solution}
+```{r tumor_gomp_h2-solution}
 gomp <- nls(data = tumor, volume ~ SSgompertz(time, Asym, b2, b3))
 summary(gomp)
 AIC(gomp)
 ```
 
-```{r tumor_gomp_h3-check}
+```{r tumor_gomp_h2-check}
 grade_code("Bravo ! C'est impressionnant. Et si on en testait un dernier ...")
 ```
 
 ### Modèle de von Bertalanffy
 
 A partir du jeu de données `tumor`, modéliser la croissance tumorale (`volume`) en fonction du temps (`time`) en utilisant le modèle de von Bertalanffy. Calculez le critère d'Akaïke pour votre modèle. 
 
-```{r tumor_vb_h3, exercise = TRUE}
-vb <- ___(___,___)
-summary(___)
-___(___)
-```
-
-```{r tumor_vb_h3-hint-1}
+```{r tumor_vb_h2, exercise = TRUE}
 vb <- nls(data = ___, ___ ~ SSasympOff(___, ___, ___, ___))
 summary(___)
 ___(___)
 ```
 
-```{r tumor_vb_h3-hint-2}
+```{r tumor_vb_h2-hint-1}
 vb <- nls(data = tumor, volume ~ SSasympOff(time, ___, ___, ___))
 summary(___)
 ___(vb)
 
 #### ATTENTION: Hint suivant = solution !####
 ```
 
-```{r tumor_vb_h3-solution}
+```{r tumor_vb_h2-solution}
 vb <- nls(data = tumor, volume ~ SSasympOff(time, Asym, lrc, c0))
 summary(vb)
 AIC(vb)
 ```
 
-```{r tumor_vb_h3-check}
+```{r tumor_vb_h2-check}
 grade_code("Tu maitrises parfaitement la régression non linéaire !")
 ```