# Materialy do zajec z regresji logistycznej i liniowej
# http://www.biecek.pl/semestr/stats

#

# wczytujemy dane
mieszkania = read.table("http://semestr.pl/cogito/stats/daneMieszkania.csv",header=T,sep=";")

# proste statystyki opisowe
cor(mieszkania$cena, mieszkania$pokoi)
plot(mieszkania$pokoi, mieszkania$cena)

cor(mieszkania$cena, mieszkania$powierzchnia)
plot(mieszkania$powierzchnia, mieszkania$cena)

# prosty model z jedna zmienna
modelPokoi <- lm(cena~pokoi, mieszkania)
summary(modelPokoi)

# prosty model z wieloma zmiennymi
modelPelny <- lm(cena~., mieszkania)
summary(modelPelny)

# rozne zmienne rozne wnioski?
modelPokoiTyp <- lm(cena~pokoi+typ.budynku, mieszkania)
summary(modelPokoiTyp)

modelPowierzchniaPokoi <- lm(cena~pokoi+powierzchnia, mieszkania)
summary(modelPowierzchniaPokoi)

modelPowierzchnia <- lm(cena~powierzchnia, mieszkania)
summary(modelPowierzchnia)

#
# regresja logistyczna

manie = read.table("http://semestr.pl/cogito/stats/mania.csv",header=T,sep=",")

summary(manie)

modelF3 <- glm(F3~.,manie, family="binomial")

modelF32 <- glm(F32~.,manie, family="binomial")


# a moze jakies obrazki
modelF3PlecWiek <- glm(F3~sex+age,manie, family="binomial")
summary(modelF3PlecWiek)

wiek = 10:100
plot(c(10,100), c(0,1), type = "n", xlab = "age", ylab = "prob")

predMezczyzni =  predict(modelF3PlecWiek, data.frame(age=wiek, sex=factor(rep("male", length(wiek)), levels=levels(manie$sex))),  type = "response")
predKobiety   =  predict(modelF3PlecWiek, data.frame(age=wiek, sex=factor(rep("female", length(wiek)), levels=levels(manie$sex))),  type = "response")

lines(wiek, predMezczyzni, col="red")
lines(wiek, predKobiety, col="blue")
legend("top",c("M","K"),col=c("red","blue"),lwd=3)


# dane o cukrzycy

library(dprep)
data(diabetes)
summary(diabetes)



#
# dane do analiz na zajeciach
library(MASS)
data(Cars93)