lab11

podsumowanie/README.md

@@ -793,3 +793,81 @@ Zwykle wartości zmiennej objaśnianej wskazują na wystąpienie, lub brak wyst
 - Iloraz szans - w skrócie OR określa nam stosunek szansy wystąpienia danego zdarzenia w danej grupie do wystąpienia tego samego zdarzenia w innej porównywanej grupie.
 
 
+---
+## LAB 11
+Zagadnienia:
+ - powtórka
+
+
+
+### R
+```r
+# definiuje ułożenie wykresów w RStudio
+par(mfrow=c(2,2))
+
+# wykresy gęstości jądrowych przy różnych szerokościach okna
+x1<-rexp(30,5)
+x2<-rnorm(30,2,2)
+x3<-rnorm(30,10,1)
+gen<-c(x1,x2,x3)
+plot(density(gen,bw=0.1))
+plot(density(gen,bw=0.5))
+```
+
+
+
+
+---
+## LAB 12
+Zagadnienia:
+- analiza składowych głównych
+
+- wykład 10 na stronie
+
+
+
+### R
+
+
+
+### Zagadnienia
+
+
+
+
+
+
+---
+## LAB 13
+Zagadnienia:
+- analiza korelacji
+
+- wykład 11 na stronie
+
+
+
+### R
+
+
+
+### Zagadnienia
+
+
+
+
+
+
+---
+## LAB 14
+Zagadnienia:
+- klasyfikacja
+
+- wykład 12 na stronie
+
+
+
+### R
+
+
+
+### Zagadnienia

testowe/pomocnicze.R

@@ -1,37 +1,13 @@
-load(url("http://ls.home.amu.edu.pl/data_sets/liver_data.RData"))
-head(liver_data)
-
-liver_data$condition <- ifelse(liver_data$condition == "Yes", 1, 0)
-model_1 <- glm(condition ~ bilirubin + ldh, data = liver_data, family = 'binomial')
-model_1
-
-summary(model_1)
-
-step(model_1)
-
-exp(coef(model_1)[2])
-exp(coef(model_1)[3])
-
-install.packages("ROCR")
-library(ROCR) 
-pred_1 <- prediction(model_1$fitted, liver_data$condition) 
-plot(performance(pred_1, 'tpr', 'fpr'), main = "Model 1")
-performance(pred_1, 'auc')@y.values
+x1<-rexp(30,5)
+x2<-rnorm(30,2,2)
+x3<-rnorm(30,10,1)
+gen<-c(x1,x2,x3)
 
 
-liver_data_new <- data.frame(bilirubin = c(0.9, 2.1, 3.4), ldh = c(100, 200, 300))
-(predict_glm <- stats::predict(model_1, 
-                               liver_data_new, 
-                               type = 'response'))
-model_1_hat <- coef(model_1)[1] + 
-  coef(model_1)[2] * liver_data$bilirubin + 
-  coef(model_1)[3] * liver_data$ldh
-model_1_temp <- seq(min(model_1_hat) - 1, max(model_1_hat) + 2.5, length.out = 100)
-condition_temp <- exp(model_1_temp) / (1 + exp(model_1_temp))
-plot(model_1_temp, condition_temp, type = "l", xlab = "X beta", ylab = "condition", 
-     xlim = c(-6, 9), ylim = c(-0.1, 1.1))
-points(model_1_hat, liver_data$condition, pch = 16)
-points(coef(model_1)[1] + 
-         coef(model_1)[2] * liver_data_new$bilirubin + 
-         coef(model_1)[3] * liver_data_new$ldh, 
-       predict_glm, pch = 16, col = "red")
+
+# wykresy gęstości jądrowych przy różnych szerokościach okna
+par(mfrow=c(2,2))
+plot(density(gen,bw=0.1))
+plot(density(gen,bw=0.5))
+plot(density(gen,bw=3))
+plot(density(gen,bw=5))        #na trzecim