Please enable JavaScript.

Coggle requires JavaScript to display documents.

R INTRODUCTION - Coggle Diagram

- - - - data$sex[gender=="male"]<-1 (sex không có trước, gender có male, female)
      - data$group[id<4]<-"A", data$group[id>=4]<-"B"
    - - x=c(smokers,nonsmokers)
      - g1=rep("Smokers",10),g2=rep("Nonsmoker",10),group=c(g1,g2)
    - - counts=table(anyfx,gender)
  - - - require(gmodels)
      - CrossTable(gender, anyfx, digits=3, chisq=T, fisher=T)
    - - require(psych)
      - describe.by(data, gender, range=F) (phân tích theo gender)
  - - - temp = bw %>% select(low, bwt, lwt, age)- chỉ lấy 4 biến
      - temp= filter(bw, race==1, bwt<2500) hoặc temp=bw %>%filter(race==1, bwt<2500)- chọn dòng phù hợp điều kiện
      - temp= bw%v% filter(race %in% c(1,2)) %>% select(id, age, low, race, bwt) - chọn race bằng 1 hoặc 2
      - temp= bw %>% mutate (mother.wt=lwt*0.453, weight =bwt/1000)- tạo 2 biến mới mother.wt và weight
      - arrane(temp, mother.wt, weight)- sắp xếp dữ liệu theo mother.wt và weight
      - bygroup = group_by(bw, race, smoke), temp= summarize(bygroup, count=n(), mean.age=mean(age, na.rm=T), mean.bw=mean(bwt, na.rm=T)- tạo nhóm, tóm tắt theo số lượng mẫu, mean của age, mean của bw, na.rm remove các giá trị na
      - temp= bw %>% count(race, smoke)- đếm số lượng
      - temp= sample_n(bw,10)- lấy mẫu ngẫu nhiên 10 dòng từ bw hoặc temp= sample_frac(bw, 0.05)- lẫy mẫu ngẫu nhiên 5%
      - temp= bw %>% mutate(group=recode(low, "0" = "No", "1" = "Yes", ethnic=recode(race, "1"= "White", "2"= "Black", "3"= "Hospanics))- tạo biến gropu từ low, ethnic từ race
- - - - plot(fnbmd~age,pch=16,xlab="Age",ylab="FNBMD", xlim=c(0,1.2), col="blue")
      - scatterplot(fnbmd~age|gender,pch=c(1,16), col=c("red","blue"))
    - - require psych
      - pairs.panels(dat)
  - - - p = ggplot(data, aes(x,y)), p + geom_xxx() + theme_xxx()
      - p = ggplot(data, aes(x=bmi,y=pcfat,fill=gender)), p + geom_point(aes(col=gender)) + geom_smooth() + theme_mw() + xlab("body mass") + ylab("body fat") + ggtitile("distribution")+theme(legend.position="bottom")
- - - - Bằng với mức ý nghĩa được đặt cho kiểm định giả thuyết
    - - Bằng một trừ đi mức ý nghĩa của kiểm định, có thể tăng mức ý nghĩa bằng cách tăng cỡ mẫu
  - - - mean =(0.01+0.2)/2, sd^2=((0.2-0.01)/2)^2, alpha =mean^2((1-mean)/sd^2-1/mean), beta =alpha(1/mean-1), cbind(alpha, beta)
  - - - require(rstanarm, broom, BAS), m= stan_glm(Bodyfat~Abdomen, data=bodyfat), summary(m), prior_summary(m), post.r2= bayes_R2(m)
      - require(MCMCpack), posterior= MCMCregress(Bodyfat~ Abdomen, data=bodyfat, b0=c(0,0,0), B0=c(0.01, 0.01, 0.01)), plot(posterior), summary(posterior) #b0, B0 lần lượt là mean và sd
- - - - null= lm(sysbp~1,data=ind), result=step(null,sysbp~age+yrmig+wt+ht+chin+fore+calf,direction="both",test="F", k=log(nrow(ind)),trace=0), step$anova, summary(step)
    - - require(BMA), X=cbind(age, yemig, wt, ht, chin, fore, calf), Y= imd$sysbp, result = bicreg(X,Y,strict=FALSE, OR=20), summary(result), imageplot.bma(result)
    - - require(peaps),a=regsubset(sysbp!age+yrmig+wt+ht+chin+fore+calf,nbest=3,data=ind), plot(a,scale="Cp")
- - - - AIC(model1), AIC(model2), AIC(model3)
    - - lrt(model1, model2): 2 mô hình phải "nested"
  - - - temp = glm(facture~., family="binomial", data=fulldata), search = step(temp), summary(search)
    - - require(BMA), xvars = fulldata[,3:7], y = facture
      - bma.search = bic.glm(xvars,y,strict=F, OR=20, glm.family="binomial"), summary(bma.search), imageplot.bma(bma.search)
    - - require(pROC), p1=predict(model1, type="response"), p2=predict(model2, type="response"), r1= roc(fx, p1), r2= roc(fx,p2), ci(r1), auc(r1), polt.roc(r1), plot.roc(r2,add=T, col="red", lty=2) #vẽ roc2 chồng lên roc1
- - - - dat = as.table(matrix(c(101,964,141,921),nrow=2,byrow=T)
      - epi.2by2(dat,method="cohort.count",conf.level=0.95)
      - require(epiR)
    - - require(epiR)
      - epi.2by2(dat,method="cohort.count",conf.level=0.95)
  - - - wilcox.test(jitter(g1),jitter(g2)) (hoặc wilcox.test(x~group))
    - - sample(x,5,replace=F) lấy 5 phần tử từ x không hoàn lại
      - require(coin), group=c(rep(1,21),rep(2,23)), oneway_test(x~as.factor(group),distribution=approximate(B=1000))
  - - - chisq_test(tab,data=os,distribution=approximate(B=1000))
  - - - TukeyHSD(model), plot(TukeyHSD(model),ordered=T)
      - pairwise.t.test(gal,group,p.adjust="bonferroni",pool.sd=T)
      - Phương pháp với khoảng tin cậy gần nhất là tôi ưu nhất
    - - kruskal.test(x~as.factor(group), data=dat)
      - require(pgirmess), kruskalmc(x, group)
    - - model=lm(y~group), summary(model), anova(model)
  - - - cor.test(age,fnbmd)
      - require(psych), pairs.panels(vars), corr.test(vars)
- - - - df=data.frame(nam, height, weight), dist(df[,2:3])
    - - dist(df[,2:3], method="manhattan")
    - - dist(df[,2:3], method= "minkowski")
  - - - require(factoextra, NbClust), df= scale(USArrests), fviz_nbclust(df, kmeans, nstart= 25, method="gap_stat", nboot=50) + labs(subtitle="Gap statistic method"), km= kmeans(df, centers=3, nstart= 20), fviz_cluster(km, df, ellipse.type="norm")
        
        gap= clusGap(df, FUN=kmeans, nstart=25, K.max=10, B=100), fviz_gap_stat(gap), km= kmeans(df, 3, nstart=25), fviz_cluster(km, df), sil= silhouette(km$cluster, dist(df)), fviz_silhouette(sil), hcm= eclust(df, "hclust"), fviz_dend(hc, rect=TRUE)
    - - df= scale(USArrests), fviz_nbclust(df, kmeans, method="wss") + labs(subtitle="Eblbow method")
    - - df= scale(USArrests), fviz_nbclust(df, kmeans, method="silhouette") + labs(subtitle="Silhouette method")
    - - Chỉ số Hopkin
        
        c1= get_clust_tendency(df, n=50, graph=T), c1$hopkins, print(c1$plot) #n nhỏ hơn số quan sát, Hopkin càng gần 1 càng tốt
- - - - require(boot), require(simpleboot), temp= pairs_boot(genetic, foster, FUN=cor, R=1000), boot.ci(temp), plot(temp, breaks=20, col="blue")- function dùng hàm cor
    - - require(boot), require(simpleboot), temp= two.boot(placebo, coffee, mean, R=10000), boot.ci(temp), hist(temp, breaks=20, col="blue")
    - - x= seq(from=0, to=20, by=0.1), y= 200+ 2x -0.2(x-10)^2 +rnorm(legth(x), mean=10, sd=20), dat= data.frame(x,y), ggplot( data=dat, aes(x=x, y=y)) +geom_point()+ geom_smooth(formula=y~x+x^2) +labs(title="Quadratic model"), m = lm(y~x+I(x^2), data= dat), boot = lm.boot(m, R=1000), s= samples(boot, "coef"), par(mfrow=c(1,3)), hist(s[1,], breaks=20, col="blue"), hist(s[2,], breaks=20, col="blue"), hist(s[3,], breaks=20, col="blue")
- - - - Dữ liệu tuân theo phân phối chuẩn
      - Hai nhóm độc lập, cỡ mẫu lớn > 30
      - Thu thập từ lấy mẫu ngẫu nhiên
      - Phương sai của 2 nhóm tương đương nhau
  - - - shapiro.test(data)
    - - require(nortest), ad.test(data)
- - - - require(capet), control= trainControl(method="cv", number=10), fit= train(form= y~age+ sex+ bmi+ smoking+ children+ region, data=df, method="lm", trControl=control), fit
    - - require(capet), control= trainControl(method="boot", number=1000), fit= train(form= y~age+ sex+ bmi+ smoking+ children+ region, data=df, method="lm", trControl=control), fit
  - - - Trong ML hàm glm chỉ dùng được cho biến Yes-No, có thể dùng df$Db= ifelse(df$Outcome==1, "Yes", "No"), ước tính cho Yes trong mô hình glm
    - - testing$predicted=predict(fit, testing, type="prob", testing$predicted=factor(testing$predicted, levels=c("Yes","No") #quy định cho Yes trước