Untitled

#install.packages(“mlbench”, repos = “https://cran.rstudio.com/”) #install.packages(“pROC”, repos = “https://cran.rstudio.com/”)

# Câu 1

# Load data
data("airquality")
df <- na.omit(airquality)  # Loại bỏ các dòng NA

# Xây dựng mô hình hồi quy tuyến tính
model_lm <- lm(Ozone ~ ., data = df)

# Dự đoán
pred_lm <- predict(model_lm, newdata = df)

# Tính MAE (Mean Absolute Error)
mae <- mean(abs(pred_lm - df$Ozone))

# Kết quả
print(paste("MAE:", round(mae, 2)))

## [1] "MAE: 14.79"

# Câu 2

# Cài đặt và load gói cần thiết
#install.packages("mlbench")
#install.packages("pROC")
library(mlbench)

## Warning: package 'mlbench' was built under R version 4.4.3

library(pROC)

## Warning: package 'pROC' was built under R version 4.4.3

## Type 'citation("pROC")' for a citation.

## 
## Attaching package: 'pROC'

## The following objects are masked from 'package:stats':
## 
##     cov, smooth, var

# Load dữ liệu
data("PimaIndiansDiabetes")
df <- PimaIndiansDiabetes

# Tách tập train/test (dùng 70% train, 30% test)
set.seed(123)
train_index <- sample(1:nrow(df), 0.7 * nrow(df))
train_data <- df[train_index, ]
test_data <- df[-train_index, ]

# Xây dựng mô hình hồi quy logistic
model_logit <- glm(diabetes ~ ., data = train_data, family = "binomial")

# Dự đoán xác suất trên tập test
pred_probs <- predict(model_logit, newdata = test_data, type = "response")

# Tính ROC và AUC
roc_obj <- roc(test_data$diabetes, pred_probs)

## Setting levels: control = neg, case = pos

## Setting direction: controls < cases

auc_val <- auc(roc_obj)

# Vẽ đường ROC
plot(roc_obj, main = paste("ROC Curve - AUC:", round(auc_val, 3)))

# In giá trị AUC
print(paste("AUC:", round(auc_val, 3)))

## [1] "AUC: 0.845"