-
Notifications
You must be signed in to change notification settings - Fork 0
/
FEM_project.Rmd
828 lines (555 loc) · 26.9 KB
/
FEM_project.Rmd
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
661
662
663
664
665
666
667
668
669
670
671
672
673
674
675
676
677
678
679
680
681
682
683
684
685
686
687
688
689
690
691
692
693
694
695
696
697
698
699
700
701
702
703
704
705
706
707
708
709
710
711
712
713
714
715
716
717
718
719
720
721
722
723
724
725
726
727
728
729
730
731
732
733
734
735
736
737
738
739
740
741
742
743
744
745
746
747
748
749
750
751
752
753
754
755
756
757
758
759
760
761
762
763
764
765
766
767
768
769
770
771
772
773
774
775
776
777
778
779
780
781
782
783
784
785
786
787
788
789
790
791
792
793
794
795
796
797
798
799
800
801
802
803
804
805
806
807
808
809
810
811
812
813
814
815
816
817
818
819
820
821
822
823
824
825
826
827
828
---
title: "LogR_PCA"
author: "Rafael Oliveira"
date: "12/14/2021"
output:
html_document:
keep_md: yes
fig_width:7
fig_height:6
dpi = 400
---
# Modulos
```{r}
library(readxl)
library(readr)
#install.packages("factoextra")
library(factoextra)
#install.packages("Methy1IT")
library("FactoMineR")
#install.packages("viridis")
library(viridis)
#install.packages("paletteer")
library(paletteer)
library(caret)
library(mlbench)
library(foreign)
library(nnet)
library(dplyr)
#install.packages("report")
library(report)
library(mlogit)
library(stargazer)
library(car)
library(ggcorrplot)
library(caret)
# if (!require(remotes)) {
# install.packages("remotes")
# }
# remotes::install_github('jorvlan/raincloudplots')
library(raincloudplots)
```
```{r setup-chunk, include=FALSE}
knitr::opts_chunk$set(dev = "png",
dpi = 300,
fig.width = 7,
echo = FALSE,
cache = TRUE)
```
# Leitura dos dados
```{r}
# snv_data = as.data.frame(read.csv("snv_data.csv"))
# #snv_data[is.na(snv_data)] = 0
# snv_data = snv_data[,-c(1)]
# snv_data[is.na(snv_data)] = 0
```
```{r}
snv_data_complete = as.data.frame(read.csv("snv_data.csv"))
snv_data_complete = snv_data_complete[,-c(1)]
snv_data_complete$clade = as.factor(snv_data_complete$clade)
snv_data_complete[is.na(snv_data_complete)] = 0
```
```{r}
snv_data = as.data.frame(read.csv("snv_data_r.csv")) # > 200
snv_data[is.na(snv_data)] = 0
#snv_data = snv_data[,-c(1,2)] #,7,10,11,15,16,17,18,19,20,21,22
snv_data = snv_data[,-c(1,2)] # 3,4,5,6,7,8,9,10,14,15,16,17,18,19,21
snv_data
```
```{r}
# snv_data = as.data.frame(read.csv("snv_data_r2.csv")) #> 5000
# #snv_data[is.na(snv_data)] = 0
# snv_data = snv_data[,-c(1,2)]
# snv_data
```
```{r}
snv_data$clade = as.factor(snv_data$clade)
table(snv_data$clade) # we have some clades/variants that are very lowly represented. Remove all clades that are under 200 samples/patients(excluding 19A since it will be our reference for the multinomial logistic regression)
```
```{r}
table(snv_data_complete$clade) #remover todas abaixo de 200 samples - 19B, 20C, 20D, 20G,20H,20J,21A,21B,21D,21F,21G,21H,21I
clades_sub_200 = c("19B", "20C", "20D", "20G","20H (Beta, V2)","21A (Delta)","21B (Kappa)","21D (Eta)","21F (Iota)","21G (Lambda)","21H (Mu)","21I (Delta)")
for (sub_clade in clades_sub_200) {
snv_data_complete = snv_data_complete[!(snv_data_complete$clade == sub_clade),]
}
table(snv_data_complete$clade)
snv_data_complete # We went from 20110 samples to 19258 when removing the clades < 200 samples
```
```{r}
table(snv_data$clade) #remover todas abaixo de 200 samples - 19B, 20C, 20D, 20G,20H,20J,21A,21B,21D,21F,21G,21H,21I
clades_sub_200 = c("19B", "20C", "20D", "20G","20H (Beta, V2)","21A (Delta)","21B (Kappa)","21D (Eta)","21F (Iota)","21G (Lambda)","21H (Mu)","21I (Delta)")
library(broom)
for (sub_clade in clades_sub_200) {
snv_data = snv_data[!(snv_data$clade == sub_clade),]
}
snv_data$clade = droplevels(snv_data$clade)
levels(snv_data$clade)
table(snv_data$clade)
snv_data # We went from 20110 samples to 19258 when removing the clades < 200 samples
```
# PCA
## Aplicar PCA
```{r}
x = PCA(snv_data_complete[,c(2:ncol(snv_data_complete))], graph = F, scale.unit=T, ncp=5) #scalling ja está como true como default
x
```
```{r}
#PCA
res_pca = PCA(snv_data[,c(2:ncol(snv_data))], graph = F, scale.unit=T, ncp=5) #scalling ja está como true como default
res_pca
```
```{r}
head(get_pca_ind(res_pca)$coord) #coordinates for the individual points
```
```{r, echo=FALSE, dpi=500, fig.width=12, fig.height=7}
library(dplyr)
library(tidyr)
library(ggplot2)
cols = as.vector(names(snv_data)[2:19])
clades = c("19A","20A","20B" ,"20E (EU1)","20I (Alpha, V1)","20J (Gamma, V3)","21J (Delta)")
# levels(snv_data$clade)
# data_long = pivot_longer(snv_data, cols = names(snv_data)[2:ncol(snv_data)], names_to = "Clades", values_to = "snv")
# data_long$Clades = as.factor(data_long$Clades)
# data_long$clade = as.factor(data_long$clade)
#
# ggplot(data_long, aes(x=data_long, y=sum(data_long$snv[data_long$Clades]))) + geom_bar()
# data_long$Clades
# sum(data_long$snv[data_long$levels(data_long$Clades)])
#
# sum(snv_data$C.T[snv_data$clade=="20B"])
# levels(data_long$clade)
df = data.frame()
for (clad in clades) {
for (snv in cols) {
df[snv,clad] = sum(snv_data[,snv][snv_data$clade == clad])
}
}
df <- cbind(SNVs = rownames(df), df)
# First, use pivot_longer(), and then use ggplot2:
#
# library(tidyverse)
# df %>%
# pivot_longer(-Clades) %>%
# ggplot(aes(x=Clades, y=value, fill=name)) +
# geom_col()
# df
df <- df %>%
pivot_longer(-SNVs)
p = ggplot(data = df,
aes(x = SNVs,
y = value)) +
geom_bar(aes(fill = SNVs),
stat = 'identity') +
facet_wrap(~name, scales = 'free_y') +
theme(axis.text.x = element_blank(),
aspect.ratio = 0.80)
p
```
## Obeter eigenvalues
```{r}
# Eigenvalues
eig = as.data.frame(get_eig(res_pca))
eig
```
## Plot cumsum da variancia
```{r}
plot(eig$cumulative.variance.percent, xlab="Principal component", ylab="Accumulative prop. of varaition explained", ylim = c(0,100), xlim = c(1,10), type="b")
```
## Scree plot
```{r}
fviz_screeplot(x, addlabels = TRUE, ylim = c(0, 50))
```
```{r, echo=FALSE, dpi=500, fig.width=10, fig.height=7}
# Scree plot
fviz_screeplot(res_pca, addlabels = TRUE, ylim = c(0, 50))
fviz_screeplot(res_pca, addlabels = T, ylim = c(0, 50))
```
## Qualidade da representaçao
```{r}
library(corrplot)
corrplot(res_pca$var$cos2, is.corr=F)
res_pca$var
```
## Contribuiçoes das variaveis para as componentes principais
```{r}
corrplot(res_pca$var$contrib, is.corr=F)
```
## Variaveis
```{r}
# Extract the results for varaibles
var = get_pca_var(res_pca)
var
```
## Coordenadas das variaveis
```{r}
#Coordinates of variables
head(var$coord)
```
## Contribuiçao das variaveis
```{r}
#Contribution of variabls
head(var$contrib)
```
## Grafico de contribuiçao de variaveis
```{r}
# Control var colors using their contribution
fviz_pca_var(res_pca, col.var="contrib",
gradient.cols = c("#00AFBB", "#E7B800", "#FC4E07"),
repel = T) #avoid text overlapping)
```
## Contribuiçao de variaveis para PC1 e PC2
```{r}
# Contribution of variables to PC1
fviz_contrib(res_pca, choice = "var", axes=1, top=6)
# PC2
fviz_contrib(res_pca, choice = "var", axes=2, top=6)
```
## Extrair os resultados para pontos individuais
```{r}
# Extract the results for individuals
ind = get_pca_ind(res_pca)
head(ind$coord)
```
## Dataframe com os pontos individuais do PCA
```{r}
pca_val = data.frame(snv_data$clade, ind$coord)
pca_val$snv_data.clade = as.factor(pca_val$snv_data.clade)
pca_val
```
## Grafico PCA
```{r echo=FALSE, dpi=500, fig.width=10, fig.height=7}
# # Compute PCA using habillage to specify groups for colourin21
# fviz_pca_ind(res_pca,
# label = "none", # hide individual labels
# habillage = snv_data$clade, # color by groups
# palette = paletteer_d("ggsci::default_igv",n=7),
# addEllipses = TRUE # Concentration ellipses
# )
fviz_pca_biplot(res_pca,
# Individuals
geom.ind = "point",
repel = T,
fill.ind = snv_data$clade, col.ind = "black",
pointshape =21, pointsize = 1.5,
palette = "jco",
addEllipses = TRUE,
# Variables
alpha.var ="contrib", col.var = "contrib",
gradient.cols = "Red",
legend.title = list(fill = "Variantes", color = "Contrib",
alpha = "Contrib")
)
```
```{r}
fviz_pca_biplot(res_pca$var$cos2,
geom.ind = "point",
repel=T,
fill.ind = snv_data$clade, col.ind="black",
pointshape = 21, pointsize = 1.5,
palette="jco",
addEclipses =F,
alpha.var = "cos", col.var = "cos",
gradient.cols = "Red",
legend.title=list(fill="Variantes", color = "Cos", alpha = "cos"))
res_pca
res_pca$var$cos2
```
# LOG REG MULTINOMIAL
## Analise geral
```{r}
#install.packages("jmv")
library(jmv)
descriptives(snv_data, freq =T)
```
## Modelo Multinomial - Completo
### Matriz de correlaçao com dados originais
```{r}
library(ggcorrplot)
MatCorr=cor(snv_data[,sapply(snv_data,is.numeric)])
# MatCorr[upper.tri(MatCorr)] <- 0
# diag(MatCorr) <- 0
# MatCorrNew = snv_data[, !apply(MatCorr, 2, function(x) any(abs(x) > 0.70, na.rm = TRUE))]
# head(MatCorrNew)
#ggcorrplot(MatCorr)
ggcorrplot(MatCorr,hc.order = TRUE,type = "lower",lab = TRUE)
```
### Dados de treino e teste - Completo
```{r}
index <- createDataPartition(snv_data$clade, p = .70, list = FALSE)
train <- snv_data[index,]
test <- snv_data[-index,]
# Set the reference
snv_data$clade = relevel(snv_data$clade, ref = "19A")
```
### Modelo completo
```{r}
# Training the multinomial classification model
multinom_model_0 = multinom(clade ~ 1, data=train)
summary(multinom_model_0)
multinom_model_completo = multinom(clade ~ ., data = train) #C.T+A.G+G.A+G.C+T.C+C.A+G.T+A.C+C.G+A.del+TAT.del+TCTGGTTTT.del+TACATG.del+GATTTC.del
summary(multinom_model_completo)
#Convert the coeff to odds
#install.packages("broom")
library(broom)
resumo_multinom_model_completo = tidy(multinom_model_completo, conf.int=T, conf.level = 0.95, exponentiate = T) # Este código já tem 1) Coeficientes em exponencial, 2) z-scores, 3) standard errors, 4) respetivos p-values para Wald Z test bilateral
resumo_multinom_model_completo
View(resumo_multinom_model_completo)
# Predicted values are saved as fitted.values in the model object
head(round(fitted(multinom_model_completo),2))
#The multinomial regression predicts the probability of a particular observation to be part of the said level. This is what we are seeing in the above table. Columns represent the classification levels and rows represent the observations. This means that the first six observation are classified as certain clades
```
#### Modelo stepAIC1 (passagem de modelo completo para modelo com 1º step)
```{r}
library(MASS)
step1=stepAIC(multinom_model_completo, direction="both")
step1$anova # display results
multinom_modelo_step1 = multinom(clade ~ C.T + A.G + G.A + G.C + T.C + C.A + G.T + T.A + T.G + A.C + C.G + A.del + TCTGGTTTT.del + TACATG.del + AGTTCA.del, data = train)
summary(multinom_modelo_step1)
resumo_multinom_model_step1 = tidy(multinom_modelo_step1, conf.int=T, conf.level = 0.95, exponentiate = T) # Este código já tem 1) Coeficientes em exponencial, 2) z-scores, 3) standard errors, 4) respetivos p-values para Wald Z test bilateral
resumo_multinom_model_step1
multinom_model_rrr_step = exp(coef(multinom_modelo_step1))
multinom_model_rrr_step
# Predicted values are saved as fitted.values in the model object
step2 = stepAIC(multinom_modelo_step1, direction="both")
step2$anova
```
* NOTA: O modelo com o nome `multinom_model_completo` é o modelo antes da seleção automatica de preditos e o nome `multinom_model_step` é o modelo apos seleçao automatica
#### Verificar Z-score para o modelo (Wald Z) - NOTA: Estes valores da estatistica (z scores) e os respetivos p-values (p) já se encontram no tibble com o nome `resumo_multinom_model_completo`. Os proximos 4 blocos (que contem as variaveis z, p e testes do chisq) servem apenas para confirmar os resultados.
* Usado para determinar se um determinado preditor é significante ou nao (dividir coeficiente pelo desvio padrao) - https://stats.stackexchange.com/questions/60074/wald-test-for-logistic-regression
```{r}
z = summary(multinom_model_completo)$coefficients/summary(multinom_model_completo)$standard.errors
z
```
#### Calcular p value (2-tailed z test)
```{r}
p = round((1 - pnorm(abs(z), 0, 1)) * 2,digits=5)
p
```
#### Verificar o fit do modelo
```{r}
detach("package:jmv", unload=T)
#Comparar o nosso modelo completo com o modelo vazio (intercept)
anova(multinom_model_0, multinom_model_completo)
```
* O LL é uma medida que nos indica a variabilidade não explicada nos nossos dados. A diferença ou mudança no LL indica quanta nova variancia foi explicada pleo modelo
* Teste do qui-quadrado testa a diminuiçao da variancia nao explicada a partir do modelo baseline para o modelo final. Esta alteraçao é significativa o que significa que o nosso modelo final explica uma quantidade significante da variabilidade original
* O LR chi-suqared com p-value < 0.05 diz-nos que o nosso modelo consegue ter um melhor "fit" do que o modelo vazio (modelo sem preditores)
#### Calcular Goodness of fit
```{r}
# Verificar a probabilidade predita para cada clade/variante/grupo
head(multinom_model_completo$fitted.values,30)
head(round(fitted(multinom_model_completo),2))
# Prever resultados:
head(predict(multinom_model_completo),30)
# As probabilidades estao concordantes com os resultados previstos (verificar a tabela que testa o modelo com os dados de teste)
#Test goodness of fit
# Usado para determinar se existe diferença significativa entre as frequencias esperadas vs frequencias observadas em 1 ou mais categorias de uma tabela de contençao. p-value < 0.05 logo, rejeitamos H0
# Se Ho for verdadeira, o observado e esperado vai ser muito semelhante e estatistica tende a ser 0
# Se H1 for verdadeira, estatistica assume valores muito grandes, afastando-se de Ho → mais heterogeneos sao os grupos ou maior é o desvio
chisq.test(train$clade, predict(multinom_model_completo)) # dados de treino (clade) vs prevsao feita pelo modelo completo
chisq.test(train$clade, predict(multinom_modelo_step1))
```
#### Qualidade e Significado do Modelo
```{r}
### Qualidade e Significado do Modelo completo e modelo step AIC
########################################################
#Deviance
deviance(multinom_model_0)
deviance(multinom_model_completo)
deviance(multinom_modelo_step1)
########################################################
#AIC
AIC(multinom_model_completo)
AIC(multinom_model_0)
AIC(multinom_modelo_step1)
########################################################
#Hoslem
#install.packages("generalhoslem")
library(generalhoslem)
#H0: Modelo corrente é apropriado vs Modelo nao é apropriado
logitgof(train$clade,fitted(multinom_model_completo) ,ord=F, g=10) #como p value = 1, concluimos que ha indicaçao que nao ha evidencia de que as frequencias observadas sejam muito diferentes das esperadas (evidencia de um bom fit). Este teste vai comparar frequencias observadas com as esperadas do outcome e fazer um teste estatistico que é distribuido de acordo com a distribuiçao qui-quadrado.
# Teste HL para modelo step aic
logitgof(train$clade,fitted(multinom_modelo_step1) ,ord=F, g=10)
########################################################
library(DescTools)
#PseudoR2 para o modelo completo
PseudoR2(multinom_model_completo, which=c("McFadden")) # McFadden = LL(null) - LL(completo) / LL(null) -> 0.98. Indica uma relaçao de 98% entre os preditores e o previsto.
PseudoR2(multinom_model_completo, which=c("Nagelkerke")) #Indica relaçao de 99% entre preditores e previsto
PseudoR2(multinom_model_completo, which=c("CoxSnell"))
#PseudoR2 para o modelo step aic
PseudoR2(multinom_modelo_step1, which=c("McFadden"))
#NOTA: estas estatisticas na regresso logistica nao significam o mesmo que os R quadrados na regressao com metodo OLS (proporçao de variancia da resposta explicada pelos preditores).
########################################################
# Accuracy / tabela de classificaçao - MODELO COMPLETO ########################################################
# Predicting and validating the model
# Predicting the values for train dataset
train$cladePredicted <- predict(multinom_model_completo, newdata = train, "class")
#Classification table
confusionMatrix(train$cladePredicted, train$clade) #confusionMatrix(predicted,actual) - https://rpubs.com/beane/n4_2
#Calculating accruracy - sum of diagonal elements divided by total obs
#tab_train = table(train$clade, train$cladePredicted)
#round((sum(diag(tab_train))/sum(tab_train))*100,2)
# Predicting the class for test dataset
test$cladePredicted <- predict(multinom_model_completo, newdata = test, "class")
# Tabela de confusao para os dados de teste com o modelo completo
confusionMatrix(test$cladePredicted, test$clade)
#Calculating accruracy - Já calculada na matriz de confusao do package caret
#tab_test <- table(test$clade, test$cladePredicted )
#round((sum(diag(tab_test))/sum(tab_test))*100,2) - NOTA: poderiamos usar este metodo para ver a precisao do modelo se a tabela não tivesse as variantes que foram removidas no inicio (todas as variantes que estao pouco representadas -> menos de 200 observaçoes, por exemplo).O facto desta table ainda ter os valores "0" de variantes que não estáo presentes nos dados originais, vai alterar bastante os resultados. Neste caso, vamos usar a matriz de confusão que já trata desse pormenor e apresenta estatisticas mais robustas.
# Accuracy table - MODELO STEP1 #############################################################################################
# Predicting the values for train dataset
train$cladePredictedStep <- predict(multinom_modelo_step1, newdata = train, "class")
#Classification table
confusionMatrix(train$cladePredictedStep, train$clade)
#Calculating accruracy - Já calculada na matriz de confusao do package caret
#tab_train_step = table(train$clade, train$cladePredictedStep)
#round((sum(diag(tab_train_step))/sum(tab_train_step))*100,2)
# Predicting the class for test dataset
test$cladePredictedStep <- predict(multinom_modelo_step1, newdata = test, "class")
# Tabela de confusao para os dados de teste com o modelo de seleçao de variaveis automatica
cm_teste = confusionMatrix(test$cladePredictedStep, test$clade)
cm_teste
#tab_test_step <- table(test$clade, test$cladePredictedStep)
#round((sum(diag(tab_test_step))/sum(tab_test_step))*100,2)
########################################################
# LR Test para o modelo completo
library(lmtest)
lrtest(multinom_model_0,multinom_model_completo) # modelo vazio vs modelo completo - semelhante a chisq.test do goodness of fit
indels = c("A.T","C.T","A.G","G.A","G.C","T.C","C.A","G.T","A.C","C.G","A.del","TAT.del","TCTGGTTTT.del","TACATG.del","GATTTC.del")
my_list = list()
# for (i in 1:length(indels)) {
# assign(paste0("lrtest_results_",indels[i]), my_list[[i]]) = lrtest(multinom_model_completo, indels[i])
# }
my_list <- lapply(indels, function(i) lrtest(multinom_model_completo, i))
names(my_list) = paste0("lrtest_results_", indels)
my_list # estes resultados podem ser usados para obter a significancia dos preditores para o modelo. Todos os preditores que têm p-value do chisq < 0.05 têm efeitos significativos na prediçao da varainte tendo em conta os SNVs
# Estes resultados indicam quais os preditores que nos permitem prever a categoria de resposta (qual a variante), mas nao nos dizem qual o efeito. Para isso teremos que olhar para os parametros estimados (Beta) tendo em conta a clade 19A como referencia
# * O LL é uma medida que nos indica a variabilidade não explicada nos nossos dados. A diferença ou mudança no LL indica quanta nova variancia foi explicada pleo modelo
# * Teste do qui-quadrado testa a diminuiçao da variancia nao explicada a partir do modelo baseline para o modelo final. Esta alteraçao é significativa o que significa que o nosso modelo final explica uma quantidade significante da variabilidade original
# * O LR chi-suqared com p-value < 0.05 diz-nos que o nosso modelo consegue ter um melhor "fit" do que o modelo vazio (modelo sem preditores)
########################################################
# Resultados gerais (OR, AIC, values) em formato de publicaçao
multinom_model_rrr = exp(coef(multinom_model_completo))
stargazer(multinom_model_completo, type="html", coef=list(multinom_model_rrr), out="multinom_model.htm")
multinom_model_rrr_Step = exp(coef(multinom_modelo_step1))
#stargazer(multinom_modelo_step1, type="html", coef=list(multinom_model_rrr_Step), out="multinom_model_step.htm")
```
```{r echo=FALSE, fig.height=4, fig.width=8, dpi=500}
plt_teste = as.data.frame(cm_teste$table)
ggplot(plt_teste, aes(Prediction,Reference, fill= Freq)) +
geom_tile() + geom_text(aes(label=Freq)) +
scale_fill_gradient(low="white", high="#009194") +
labs(x = "Reference",y = "Prediction") +
scale_x_discrete(labels=c("19A","20A","20B","20E","20I", "20J(Gamma)", "20J (Delta)")) +
scale_y_discrete(labels=c("19A","20A","20B","20E","20I", "20J(Gamma)", "20J (Delta)"))
```
## Modelo Multinomial - PCA
### Matriz de correlaçao com componentes principais
```{r, echo=FALSE, dpi=500, fig.width=5, fig.height=4}
library(ggcorrplot)
MatCorr=cor(pca_val[,sapply(pca_val,is.numeric)])
#ggcorrplot(MatCorr)
ggcorrplot(MatCorr,hc.order = TRUE,type = "lower",lab = TRUE) # Podemos reparar que ao usar as componentes principais, removemos o problema de variaveis demasiado correlacionadas uma vez que cada dimensao/componente principal nao vai estar correlacionada com as restantes
```
### Dados de treino e teste - PCA
```{r}
library(caret)
set.seed(42)
index_pca <- createDataPartition(pca_val$snv_data.clade, p = .70, list = FALSE)
train_pca <- pca_val[index_pca,]
test_pca <- pca_val[-index_pca,]
# Set the reference
pca_val$snv_data.clade = relevel(pca_val$snv_data.clade, ref = "19A")
```
### Modelo PCA
```{r}
# Training the multinomial classification model
multinom_model_pca = multinom(snv_data.clade ~., data = train_pca)
summary(multinom_model_pca)
#resumo_multinom_model_PCA = tidy(multinom_model_pca, conf.int=T, conf.level = 0.95, exponentiate = T) # Este código já tem 1) Coeficientes em exponencial, 2) z-scores, 3) standard errors, 4) respetivos p-values para Wald Z test bilateral
#resumo_multinom_model_PCA
#exp(cbind(OR = coef(multinom_model_pca)))
# Predicted values are saved as fitted.values in the model object
head(round(fitted(multinom_model_pca),2))
#Convert the coeff to odds
exp(cbind(OR = coef(multinom_model_pca), confint(multinom_model_pca)))
# Predicted values are saved as fitted.values in the model object
head(round(fitted(multinom_model_pca),2))
#The multinomial regression predicts the probability of a particular observation to be part of the said level. This is what we are seeing in the above table. Columns represent the classification levels and rows represent the observations. This means that the first six observation are classified as certain clades
### Qualidade e Significado do Modelo completo e modelo step AIC
########################################################
#Deviance
deviance(multinom_model_0)
deviance(multinom_model_completo)
deviance(multinom_modelo_step1)
deviance(multinom_model_pca)
########################################################
#AIC
AIC(multinom_model_completo)
AIC(multinom_model_0)
AIC(multinom_modelo_step1)
AIC(multinom_model_pca)
########################################################
#Hoslem
#install.packages("generalhoslem")
library(generalhoslem)
#H0: Modelo corrente é apropriado vs Modelo nao é apropriado
logitgof(train_pca$snv_data.clade,fitted(multinom_model_pca) ,ord=F, g=10)
########################################################
library(DescTools)
#PseudoR2 para o modelo completo
PseudoR2(multinom_model_pca, which=c("McFadden")) # McFadden = LL(null) - LL(completo) / LL(null) -> 0.98. Indica uma relaçao de 98% entre os preditores e o previsto.
PseudoR2(multinom_model_pca, which=c("Nagelkerke")) #Indica relaçao de 99% entre preditores e previsto
PseudoR2(multinom_model_pca, which=c("CoxSnell"))
#NOTA: estas estatisticas na regresso logistica nao significam o mesmo que os R quadrados na regressao com metodo OLS (proporçao de variancia da resposta explicada pelos preditores).
########################################################
# Accuracy / tabela de classificaçao - MODELO COMPLETO ########################################################
# Predicting and validating the model
# Predicting the values for train dataset
train_pca$cladePredictedPCA <- predict(multinom_model_pca, newdata = train_pca, "class")
#Classification table
confusionMatrix(train_pca$cladePredictedPCA, train_pca$snv_data.clade) #confusionMatrix(predicted,actual) - https://rpubs.com/beane/n4_2
train_pca
#Calculating accruracy - sum of diagonal elements divided by total obs
#tab_train = table(train$clade, train$cladePredicted)
#round((sum(diag(tab_train))/sum(tab_train))*100,2)
# Predicting the class for test dataset
test_pca$cladePredictedPCA <- predict(multinom_model_pca, newdata = test_pca, "class")
# Tabela de confusao para os dados de teste com o modelo completo
cm_teste_pca = confusionMatrix(test_pca$cladePredictedPCA, test_pca$snv_data.clade) #confusionMatrix(predicted,actual) - https://rpubs.com/beane/n4_2
cm_teste_pca
########################################################
```
```{r}
plt_teste = as.data.frame(cm_teste_pca$table)
ggplot(plt_teste_pca, aes(Prediction,Reference, fill= Freq)) +
geom_tile() + geom_text(aes(label=Freq)) +
scale_fill_gradient(low="white", high="#009194") +
labs(x = "Reference",y = "Prediction") +
scale_x_discrete(labels=c("19A","20A","20B","20E","20I", "20J(Gamma)", "20J (Delta)")) +
scale_y_discrete(labels=c("19A","20A","20B","20E","20I", "20J(Gamma)", "20J (Delta)"))
```
```{r, echo=FALSE, dpi=500, fig.width=12, fig.height=7}
plt_teste_pca = as.data.frame(cm_teste_pca$table)
ggplot(plt_teste_pca, aes(Prediction,Reference, fill= Freq)) +
geom_tile() + geom_text(aes(label=Freq)) +
scale_fill_gradient(low="white", high="#009194") +
labs(x = "Reference",y = "Prediction") +
scale_x_discrete(labels=c("19A","20A","20B","20E","20I", "20J(Gamma)", "20J (Delta)")) +
scale_y_discrete(labels=c("19A","20A","20B","20E","20I", "20J(Gamma)", "20J (Delta)"))
```
```{r}
plots.dir.path <- list.files(tempdir(), pattern="rs-graphics", full.names = TRUE)
plots.png.paths <- list.files(plots.dir.path, pattern=".png", full.names = TRUE)
file.copy(from=plots.png.paths, to="C:/Users/Rafael/Desktop/main/University/BioinformaticaClinica/1Semestre/FEM/Projeto/Entrega")
```