糖尿病相关的数据集

# 安装并加载 mlbench 包（如果尚未安装）
install.packages("mlbench")
library(mlbench)

# 加载 Pima Indians Diabetes 数据集
data(PimaIndiansDiabetes)
dataset <- PimaIndiansDiabetes

# 查看数据集的结构
str(dataset)

# 假设已经下载并保存为 "diabetes_130_us_hospitals.csv"
# 使用 read.csv 函数加载数据集
dataset <- read.csv("path/to/diabetes_130_us_hospitals.csv")

# 查看数据集的结构
str(dataset)

# 假设已经下载并保存为 "diabetes_health_indicators.csv"
# 使用 read.csv 函数加载数据集
dataset <- read.csv("path/to/diabetes_health_indicators.csv")

# 查看数据集的结构
str(dataset)

# 假设已经从Kaggle下载并保存为 "kaggle_diabetes.csv"
# 使用 read.csv 函数加载数据集
dataset <- read.csv("path/to/kaggle_diabetes.csv")

# 查看数据集的结构
str(dataset)

# 安装并加载必要的包
install.packages("caret")
install.packages("mlbench")
library(caret)
library(mlbench)

# 加载数据集
data(PimaIndiansDiabetes)
dataset <- PimaIndiansDiabetes

# 将因变量转换为因子类型
dataset$diabetes <- as.factor(dataset$diabetes)

# 划分训练集和测试集
set.seed(123)
trainIndex <- createDataPartition(dataset$diabetes, p = 0.8, list = FALSE)
trainData <- dataset[trainIndex, ]
testData <- dataset[-trainIndex, ]

# 训练逻辑回归模型
model <- train(diabetes ~ ., data = trainData, method = "glm", family = binomial)

# 使用测试集进行预测
predictions <- predict(model, newdata = testData)

# 计算混淆矩阵和准确率
confMatrix <- confusionMatrix(predictions, testData$diabetes)
print(confMatrix)
accuracy <- confMatrix$overall['Accuracy']
print(paste("Model Accuracy: ", round(accuracy * 100, 2), "%", sep = ""))