NGUYEN_QUANG_MINH_KTRA3

Câu 1 (5 điểm) Sử dụng tập iris, dự đoán Petal.Length từ Sepal.Length và Sepal.Width. Kiểm tra độ phù hợp của mô hình bằng hệ số R bình phương hiệu chỉnh.

# Tải tập dữ liệu iris có sẵn
data(iris)

# Xây dựng mô hình hồi quy tuyến tính
# Công thức: Petal.Length phụ thuộc vào (~) Sepal.Length + Sepal.Width
model_iris <- lm(Petal.Length ~ Sepal.Length + Sepal.Width, data = iris)

# In tóm tắt kết quả của mô hình
summary_model <- summary(model_iris)
print(summary_model)

## 
## Call:
## lm(formula = Petal.Length ~ Sepal.Length + Sepal.Width, data = iris)
## 
## Residuals:
##      Min       1Q   Median       3Q      Max 
## -1.25582 -0.46922 -0.05741  0.45530  1.75599 
## 
## Coefficients:
##              Estimate Std. Error t value Pr(>|t|)    
## (Intercept)  -2.52476    0.56344  -4.481 1.48e-05 ***
## Sepal.Length  1.77559    0.06441  27.569  < 2e-16 ***
## Sepal.Width  -1.33862    0.12236 -10.940  < 2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 0.6465 on 147 degrees of freedom
## Multiple R-squared:  0.8677, Adjusted R-squared:  0.8659 
## F-statistic:   482 on 2 and 147 DF,  p-value: < 2.2e-16

# In riêng hệ số R bình phương hiệu chỉnh (Adjusted R-squared)
cat("Hệ số R bình phương hiệu chỉnh:", summary_model$adj.r.squared, "\n")

## Hệ số R bình phương hiệu chỉnh: 0.8658858

Câu 2 (5 điểm) Sử dụng tập Heart, chạy hồi quy logistic dự đoán bệnh tim. Vẽ ROC curve.

library(pROC)

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

## 
## Attaching package: 'pROC'

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

# 1. Tiền xử lý dữ liệu
df_heart <- read.csv("Heart.csv")
df_heart$AHD <- as.factor(df_heart$AHD)

# 2. Chia dữ liệu
set.seed(42) 
sample_index <- sample(c(TRUE, FALSE), nrow(df_heart), replace = TRUE, prob = c(0.8, 0.2))
train_data  <- df_heart[sample_index, ]
test_data   <- df_heart[!sample_index, ]

# 3. Chạy mô hình
log_model <- glm(AHD ~ ., data = train_data, family = binomial)

# 4. Dự đoán
prob_pred <- predict(log_model, newdata = test_data, type = "response")

# 5. Tính toán và vẽ ROC 
roc_curve <- roc(test_data$AHD, prob_pred)

## Setting levels: control = No, case = Yes

## Setting direction: controls < cases

cat("Chỉ số AUC (Area Under Curve):", auc(roc_curve), "\n")

## Chỉ số AUC (Area Under Curve): 0.926799

plot(roc_curve, 
     col = "darkorange", 
     lwd = 2, 
     main = "Đường cong ROC - Mô hình dự đoán bệnh tim",
     print.auc = TRUE, 
     legacy.axes = TRUE)