Bài thực hành số 3

#Tải tập dữ liệu mtcars
data(mtcars)

# Xây dựng mô hình hồi quy tuyến tính
model <- lm(mpg ~ disp + qsec, data = mtcars)

# Hiển thị kết quả hồi quy
summary(model)

## 
## Call:
## lm(formula = mpg ~ disp + qsec, data = mtcars)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -5.0316 -2.0491 -0.9206  1.8265  7.0070 
## 
## Coefficients:
##              Estimate Std. Error t value Pr(>|t|)    
## (Intercept) 25.504508   7.184094   3.550  0.00134 ** 
## disp        -0.039888   0.005288  -7.543 2.58e-08 ***
## qsec         0.212288   0.366776   0.579  0.56720    
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 3.288 on 29 degrees of freedom
## Multiple R-squared:  0.7216, Adjusted R-squared:  0.7024 
## F-statistic: 37.58 on 2 and 29 DF,  p-value: 8.884e-09

# Lấy hệ số R bình phương hiệu chỉnh
r2 <- summary(model)$adj.r.squared
cat("Hệ số R bình phương hiệu chỉnh:", r2, "\n")

## Hệ số R bình phương hiệu chỉnh: 0.7023571

# 1. Load thư viện và chuẩn bị dữ liệu
library(pROC)  # Để vẽ ROC và tính AUC

## 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

data(iris)

# Lọc dữ liệu chỉ giữ lại 2 loài: versicolor và virginica
data <- subset(iris, Species %in% c("versicolor", "virginica"))
data$Species <- droplevels(data$Species)  # Loại bỏ level thừa (setosa)

# 2. Chuyển đổi Species sang dạng nhị phân (0 và 1)
# 0: versicolor, 1: virginica
data$Species <- ifelse(data$Species == "virginica", 1, 0)

# 3. Xây dựng mô hình hồi quy logistic
model <- glm(Species ~ Sepal.Length + Sepal.Width + Petal.Length + Petal.Width, 
             data = data, 
             family = binomial)

# 4. Dự đoán xác suất thuộc lớp virginica
data$pred_prob <- predict(model, type = "response")  # Xác suất dự đoán

# 5. Vẽ đường ROC và tính AUC
roc_obj <- roc(response = data$Species, predictor = data$pred_prob)

## Setting levels: control = 0, case = 1

## Setting direction: controls < cases

plot(roc_obj, main = "ROC Curve", col = "blue", print.auc = TRUE)

auc_value <- auc(roc_obj)
cat("AUC:", auc_value, "\n")

## AUC: 0.9972