knitr::opts_chunk$set(echo = TRUE)
---
title: "Kiem tra"
author: "Vu Thi Lan Huong"
output: html_document
---
# Thuc hanh voi cac mo hinh thong ke
# Ham co san
data()
# 1. Chay cac thu vien can thiet
```{r library(tidyverse)
library(tidyr)
library(dplyr)
library(ggplot2)
library(readr)
library(readxl){r credit_data <- read_excel("creditdata.xlsx", sheet = 1)
## 2.2. Quan sat du lieu {r View(credit_data) ## 2.3. Danh
gia tong quan du lieu {r summary(credit_data) ## 2.4. Lam
sach du lieu:
{r credit_data <- na.omit(credit_data) ## 2.4.2. Doi
ten cho cac cot trong bang voi thay the cac gia tri ” ” = “_”
{r names(credit_data) <-gsub(" ","_", names(credit_data))
## 3. Khai thac du lieu ## 3.1. Loc thong tin ve diem tin dung ```{r
creditdata_min <- credit_data%>% filter(credit_data$Credit_Score
< 1000)
view(creditdata_min)
creditdata_max <- credit_data%>% filter(credit_data$Credit_Score >= 1000)
credit_data <- credit_data%>% filter(credit_data$Credit_Score < 1000)
## 4. Thong ke
## 4.1. So sanh
##bieu do cot
```{r ggplot(credit_data, aes(x = Home_Ownership)) +
geom_bar(){r ggplot(credit_data, aes(x = Credit_Score)) + geom_histogram()
#Mau
{r ggplot(credit_data, aes(x = Credit_Score)) + geom_histogram(color= 'blue', fill = "orange")
#Tieu de
{r ggplot(credit_data, aes(x = Credit_Score)) + geom_histogram(colors= 'blue', fill = "orange") labs(title = "Biểu đồ phân bổ điểm tín dụng", x = "Điểm tín dụng", y = "Số lượng khách hàng")
## 4.3. So sanh tuong quan giua Thu nhap nam va diem tin dung
{r ggplot(credit_data, aes(x = Credit_Score, y = Annual_Income)) + geom_point()
#Mau
{r ggplot(credit_data, aes(x = Credit_Score, y = Annual_Income)) + geom_point(color = "darkblue")
## 4.4. Xac dinh cac yeu to ngoai lai dua vao cac bieu do hop
{r ggplot(credit_data, aes(x = Credit_Score, y = Home_Ownership))+ geom_boxplot()
##check lai tieu de
{r ggplot(credit_data, aes(x = Home_Ownership, y = Credit_Score))+ geom_boxplot(color = "red", fill = "lightgreen") labs(title = "Phân bổ giữa các loại hình sở hữu")
## 4.5. Thong ke theo nhom
{r credit_data <- credit_data%>% group_by(credit_data$Years_in_current_job)%>% summarise(soluong = n(), thunhap_namBQ = mean(Annual_Income)) credit_data
; #—————————————————— ## So sanh so luong khach hang theo so nam di lam
{r ggplot(credit_data, aes(x = Years_in_current_job))+ geom_bar(fill = "darkblue")
## PHAN 2: PHAN TICH VA CHUAN DOAN DUA THEO CAC MO HINH
{r ggplot(credit_data, aes(x = Annual_Income, y = Monthly_Debt))+ geom_point(color = "blue")+ geom_smooth(method = "lm", color = "red")
##-> Co ve nhu co moi quan he tuong quan, nen dua vao de phan tich ##
Xet cac dieu kien xem co phu hop voi phan tich tuong quan khong: Cac
bien phai dam bao phan phoi chuan ## Cach 1: Nhin xem phan phoi cua cac
bien dua theo bieu do phan bo (histogram) ```{r ggplot(credit_data,
aes(x = Annual_Income))+ geom_histogram()
ggplot(credit_data, aes(x = Monthly_Debt))+ geom_histogram() ``` ## Cach 2: Danh gia phan phoi chuan theo mot so cach mo rong
```{r qqnorm(credit_data\(Annual_Income) qqline(credit_data\)Annual_Income, col = “red”)
qqnorm(credit_data\(Monthly_Debt) qqline(credit_data\)Monthly_Debt, col = “red”)
##-> Neu cac mau khong phan phoi chuan thi cac noi dung phia sau khi xay dung mo hinh se dua ra ket qua chưa chinh xac
## 2.3.1. Xay dung mo hinh hoi quy tuyen tinh don bien
#mo hinh 1
```{r mohinh1 <- lm(credit_data$Monthly_Debt~credit_data$Annual_Income)
mohinh1
summary(mohinh1)
View(mohinh1)
#mo hinh 2
mohinh2 <- lm(Monthly_Debt~Annual_Income, credit_data)#B1 {r credit_test <- read_csv("credit_test.csv") #B2
{r credit_test <- credit_test%>% na.omit(credit_test)
#B3
{r names(credit_test) <- gsub(" ","_", names(credit_test))
##OR: Truong hop ten truong co dau .
{r names(credit_test) <- gsub("\\.","_", names(credit_test)) View(credit_test)
# 2.5. Chay du bao ket qua tư mo hinh ```{r
Dubaochitrahangthang_theothunhapnam <- credit_test%>%
mutate(Dubaogiatri_thang = predict(mohinh2, newdata = credit_test))
#them truong - ham du doan
View(Dubaochitrahangthang_theothunhapnam) ;
# 3. MO HINH HOI QUY LOGIC
## Luu y la trong du lieu phai co cot o dinh dang 0,1
## 3.1. Truong hop khong co can tim bo sung. Trong TH minh hoa can su dung them 1 cot trang thai la phần dư phép chia hết cho 2
```{r credit_data$Trangthai <- credit_data$Annual_Income%%2
;
credit_data$Trangthai<-factor(credit_data$Trangthai, levels = c(0,1), labels = c("Không vỡ nợ","Có vỡ nợ")); ## Thong ke theo nhom term ;
{r ggplot(credit_data, aes (x=credit_data$Term))+ geom_bar
;
{r mohinhlogic = glm(Trangthai~Credit_Score,family = "binomial",data = credit_data) summary(mohinhlogic)
## 3.3. Chay mo hinh du bao voi bo du lieu moi ```{r dubaotheologic
<- predict(mohinhlogic, newdata = credit_test, type = “response”)
View(dubaotheologic)
## 3.4. mô hình hồi quy đa biến
```{r mh_logicdabien <- glm(Trangthai ~ Credit_Score + Annual_Income + Current_Credit_Balance,
family = "binomial", data = creditdata)
summary(mh_logicdabien)
dubaodabien_moi <- predict ( mh_logicdabien, newsdata = dulieutest, type = "response")
dubaodabien_moi#Dữ liệu thực hành là Superstore
{r sieuthi <- read_excel("3.SUPERSTORE.xlsx", sheet=1) names(sieuthi) <- gsub(" ","_", names(sieuthi)) View(sieuthi)
#Thống kê tổng doanh số theo tháng năm ```{r baocaoTG <-
sieuthi%>% group_by( Thang = floor_date(Order_Date, “month”)) %>%
summarise(Sales = sum(Sales))
baocaoTG
#Thiết lập tạo chuỗi thời gian tuần tự theo tháng cho các giá trị doanh số
```{r Doanhso_thang <- ts(baocaoTG$Sales, start = c(2018,1), frequency = 12)
Doanhso_thang
plot(Doanhso_thang)##5.2. Xây dựng mô hình dự báo theo thời gian ## Cài gói dự báo
forecast {r install.packages("forecast") library(forecast)
## Tạo mô hình armia
{r mohinh_thoigian <- auto.arima(Doanhso_thang) summary(mohinh_thoigian)
##5.3. Dự báo dựa theo mô hình
{r Dubaodoanhso_6thangtoi <-forecast(mohinh_thoigian, h =6) plot(Dubaodoanhso_6thangtoi)
```{r Tkgiaodich<-sieuthi%>% group_by(sieuthi$Customer_ID)%>% summarise( sodon=n_distinct(Order_ID), DS=sum(Sales), LN=sum(Profit))
Tkgiaodich
# 5.2. Biến đổi các giá trị
```{r TKgiaodich_biendoi <- scale(Tkgiaodich[-1])
TKgiaodich_biendoi```{r mohinhKmeans <- kmeans(TKgiaodich_biendoi, centers = 3) install.packages(“factoextra”) install.packages(“ggsignif”) install.packages(“car”)
library(factoextra)
fviz_cluster(mohinhKmeans, data = TKgiaodich_biendoi) ```