Publications by Tran-Trung Nguyen
TDTU_2023_Practise5
Việc 1: Sử dụng mô hình hồi qui tuyến tính để đánh giá xem tỉ lệ tội phạm (biến số kết cục robbery) có liên quan như thế nào đến hiện diện của cảnh sát (biến số tiên lượng police) từ dữ liệu tội phạm (Crime dataset reduced.csv). #file.choose() wil = read.csv("D:\\18.Khoa ho...
3180 sym R (11297 sym/41 pcs) 4 img
TDTU_2023_Practise4
Việc 1: Sử dụng mô hình hồi qui tuyến tính để đánh giá xem tỉ lệ tội phạm (biến số kết cục robbery) có liên quan như thế nào đến hiện diện của cảnh sát (biến số tiên lượng police) từ dữ liệu tội phạm (Crime dataset reduced.csv). #file.choose() crime = read.csv("D:\\18.Khoa ...
2184 sym R (7732 sym/39 pcs) 2 img
TDTU_2023_Practise3
library(tidyverse) ## ── Attaching packages ─────────────────────────────────────── tidyverse 1.3.2 ── ## ✔ ggplot2 3.4.0 ✔ purrr 1.0.0 ## ✔ tibble 3.1.8 ✔ dplyr 1.0.10 ## ✔ tidyr 1.2.1 ✔ stringr 1.5.0 ## ✔ readr 2.1.3 ...
1027 sym R (5133 sym/26 pcs) 13 img
TDTU_2023_Practise2
Load need librabies library(tidyverse) ## ── Attaching packages ─────────────────────────────────────── tidyverse 1.3.2 ── ## ✔ ggplot2 3.4.0 ✔ purrr 1.0.0 ## ✔ tibble 3.1.8 ✔ dplyr 1.0.10 ## ✔ tidyr 1.2.1 ✔ stringr 1.5.0 ##...
704 sym R (5898 sym/35 pcs) 12 img
TDTU_2023_Practise
Input Libraries library(tidyverse) ## ── Attaching packages ─────────────────────────────────────── tidyverse 1.3.2 ── ## ✔ ggplot2 3.4.0 ✔ purrr 1.0.0 ## ✔ tibble 3.1.8 ✔ dplyr 1.0.10 ## ✔ tidyr 1.2.1 ✔ stringr 1.5.0 ## ✔...
889 sym R (9858 sym/43 pcs) 1 tbl
Prastice1
Input Data t = file.choose() Arrest.data <- read.csv(t) Information of Data Check dimension data dim(Arrest.data) ## [1] 432 11 Check six top rows head(Arrest.data) ## id week arrest finance age race work married parole prior educ ## 1 1 20 1 no 27 black no not married yes 3 3 ## 2 2 17 1 no 1...
741 sym R (6836 sym/22 pcs) 1 img 1 tbl
Prastice2
Prastice Data Visualation data by ggplot2 Intructor: Prof. Nguyen Van Tuan Input data t <- choose.files() obe <- read.csv(t) head(obe) ## id gender height weight bmi age WBBMC wbbmd fat lean pcfat ## 1 1 F 150 49 21.8 53 1312 0.88 17802 28600 37.3 ## 2 2 M 165 52 19.1 65 1309 0.84 8381 40229 16.8 #...
205 sym R (1845 sym/10 pcs) 3 img
Prastice4
Create data age = rnorm(5000, mean = 50, sd = 8) bmd = 0.5 +0.1*age - 0.01*age^2 + rnorm(5000, sd = 5) mean(age) ## [1] 49.97149 df = data.frame(age,bmd) head(df) ## age bmd ## 1 50.06905 -20.48185 ## 2 47.15250 -25.33429 ## 3 51.27539 -16.18814 ## 4 53.29751 -25.53872 ## 5 51.91764 -26.88067 ## 6 43.68858 -19.62443 library(...
24 sym R (641 sym/6 pcs) 1 img
Prastice3
Visualization data Intructor: Prof. Nguyen Van Tuan Input data t = file.choose() ar = read.csv(t) head(ar) ## id week arrest finance age race work married parole prior educ ## 1 1 20 1 no 27 black no not married yes 3 3 ## 2 2 17 1 no 18 black no not married yes 8 4 ## 3 3 25 ...
314 sym R (1511 sym/10 pcs) 5 img
Prastice5
Linear Regression Modeling Intructor: Prof. Nguyen Van Tuan Input data t <- choose.files() df <- read.csv(t) head(df) ## ID Rank Discipline Yrs.since.phd Yrs.service Sex Salary ## 1 1 Prof B 19 18 Male 139750 ## 2 2 Prof B 20 16 Male 173200 ## 3 3 AsstProf ...
563 sym R (10591 sym/38 pcs) 3 img