Basics of R Session 22- Logistic Regression 1.1 (Caret Package)

library(caret)
library(ISLR)
data1<-read.csv("file:///C:/Users/LENOVO/Desktop/Missing/Chapter 10 Bollywood Box Office Collection Data.csv")

# data partition
data1$Success.Faliure<-as.factor(data1$Success.Faliure)
set.seed(100)
split1<-createDataPartition(data1$Success.Faliure,p=0.7, list = FALSE)

data1train <- data1[split1, ]
data1test <- data1[-split1, ]

fitControl <- trainControl(
  method = "cv",
  number = 10,
  savePredictions = TRUE
)

lreg3<-train(Success.Faliure~
               Youtube_Dislikes+Youtube_Likes+Youtube_Views,
             method= "glm",
             family= "binomial",
             trControl=fitControl,
             data = data1)

summary(lreg3)

# predicted values and residual

lreg3$finalModel$coefficients

lreg3$finalModel$fitted.values

lreg3$finalModel$residuals

lreg3$results

coef(lreg1$finalModel)

confint(lreg1$finalModel)

# model fit indices

library(blorr)

library(Rcpp)

library(tidymodels)

blr_model_fit_stats(lreg1$finalModel)

blr_test_hosmer_lemeshow(lreg1$finalModel)

blr_bivariate_analysis(lreg1$finalModel)

# walds test, for each IV variables

library(survey)

regTermTest(lreg1$finalModel, "ï..Age")

# confusionmatrix

blr_confusion_matrix(lreg3$finalModel, cutoff = 0.5)

predict1<-predict(lreg3,data1)
confusionMatrix(predict1, data1$Success.Faliure)

# for roc 

gainstable<-blr_gains_table(lreg3$finalModel)

blr_roc_curve(gainstable)

library(ROCR)
predict1<-predict(lreg3,data1, type = "prob")

predict_roc<-prediction(predict1[2], data1$Success.Faliure)
predict_roc2<-performance(predict_roc, measure = "tpr", "fpr")
plot(predict_roc2)

predict_roc2<-performance(predict_roc, measure = "auc")
predict_roc2@y.values[[1]]

# forward method, backward method, both

library(blorr)

regfor<-blr_step_aic_forward(lreg1$finalModel)

regfor

regfor1<-blr_step_aic_forward(lreg1$finalModel, details = TRUE)

regback<-blr_step_aic_backward(lreg1$finalModel)

regback

regboth<-blr_step_aic_both(reg1$finalModel)

regboth

#_will take lot of time not advisable  #

library(caret)

reg1<-train(Status~., 

            method ="glmStepAIC", 

            family= "binomial", 

            direction ="forward"

            data = datatrain)

reg1$finalmodel

#-----------------------------------------------------------------------------------------#

Basics of R Session 5.5- Outliers

options(scipen=999) # to turn off scientific notation
data1<-read.csv("file:///C:/Users/LENOVO/Desktop/Missing/outliers sumeer.csv")

#-----------------------#
library(outliers)

library(car)
boxplot(data1$AGE)

#convert the data into standard form
data1$HB_scale<-scale(data1$HB, center = TRUE, scale = TRUE)

summary(data1$HB_scale)
plot(data1$HB_scale)

data1$HB_scale
which(data1$HB_scale>=1.96)
which(data1$HB_scale<=-1.96)

#chi square test
chisq.out.test(data1$HB)
outlier(data1$HB)

#inter quartile range

IQR(data1$HB)
quantile(data1$HB)

score1<-scores(data1$HB, type = "chisq", prob = 0.95)
score1<-scores(data1$HB, type = "z", prob = 0.95)
score1<-scores(data1$HB, type = "t", prob = 0.95)

# mahalobanis distance
library(psych)
# reducing the data using only those variables whcih are required
data2<-data1[,c(2:3)]
outlier(data2, plot = TRUE)

# regression or residual to find outliers

reg1<-lm(AGE~HB+TLC+PLATELET, data = data1)
plot(reg1)

Basics of R Session 5.4 - Missing values

data1<-read.csv("file:///C:/Users/LENOVO/Desktop/Missing/missing1.1.csv")

library(descr)
descr(data1)
descr(data1$v1)

is.na(data1)  # used to identify the place where there is missing in the data as true or false

sum(is.na(data1))  #total number of missing values
sum(is.na(data1))/(nrow(data1)*ncol(data1)) # % of missing values

sum(is.na(data1$v1))/length(data1$v1)  # % of missing in a variable

library(Amelia)
AmeliaView()  # only to see the pattern of the missing data
# note if there is perfect multicollinearity between any  two variables, it will not work

data1_impute<-amelia(data1, m=3)  # default

data1_impute$imputations[[1]]   # Imputation data set 1
data1_impute$imputations[[1]]$v1   # Imputation data set 1 variable 2

# save as data1_impute_1
data1_impute_1<-data1_impute$imputations[[1]]   # Imputation data set 1
str(data1_impute_1)

# idvars
# a vector of column numbers or column names that indicates identification variables.
# noms
# a vector of numbers or names indicating columns in the data that are nominal variables.
# ords
# a vector of numbers or names indicating columns in the data that should be treated as ordinal variables.

data2_impute<-amelia(data1, m=3, idvars = 1, noms = c(11,12,13), ords = 14 )

data2_impute$imputations[[1]]

# uses bootstrap EM algorithm (Expectation Maximization)

#-------------------------#



library(Hmisc)

impute(data1$v1,mean)
impute(data1$v1,median)
impute(data1$v1,min)
impute(data1$v1,max)
impute(data1$v1,"random")

impute_data1_2<-aregImpute(v1~v2, data1,n.impute = 3,type = "regression")
impute_data1_2$imputed$v2

# there are many more methods- which you can explore yourself

Session 5.3 Missing Values

missing1.1<-read.csv("file:///D:/1 Teaching Material/R/importfile/missing1.1.csv")

str(missing1.1)
## 'data.frame':    70 obs. of  15 variables:
##  $ id : int  204 207 248 232 224 202 255 240 221 216 ...
##  $ v1 : num  NA NA NA NA NA NA NA NA NA NA ...
##  $ v2 : num  1.5 1.5 NA NA NA 0.4 1 1.5 1.6 1.6 ...
##  $ v3 : num  NA NA 6.4 8.2 8.6 NA NA 9.9 NA 6.4 ...
##  $ v4 : num  4.8 4.8 5.3 5 5.7 2.5 3.4 2.7 4.8 5 ...
##  $ v5 : num  1.9 1.9 3 3.6 2.7 1.2 1.7 1.3 2 NA ...
##  $ v6 : num  2.5 2.5 2.5 2.5 3.7 1.7 1.1 1.2 2.8 2.1 ...
##  $ v7 : num  7.2 7.2 7.1 9 6.7 5.2 6.2 1.7 NA 8.4 ...
##  $ v8 : int  36 36 46 53 NA 35 35 50 32 25 ...
##  $ v9 : num  NA NA 4.5 5.2 5 3.3 4.1 5 4.3 3.4 ...
##  $ v10: int  1 1 1 1 0 0 1 1 0 1 ...
##  $ v11: int  0 0 0 0 1 1 0 0 1 0 ...
##  $ v12: int  1 1 1 1 0 0 1 1 0 1 ...
##  $ v13: int  0 0 0 1 1 0 0 1 0 1 ...
##  $ v14: int  1 1 2 2 1 1 1 2 1 1 ...
fix(missing1.1)
summary(missing1.1)
##        id              v1              v2              v3     
##  Min.   :201.0   Min.   :2.800   Min.   :0.400   Min.   :5.000 
##  1st Qu.:218.2   1st Qu.:3.200   1st Qu.:1.400   1st Qu.:6.700 
##  Median :235.5   Median :3.800   Median :1.900   Median :8.200 
##  Mean   :235.5   Mean   :4.008   Mean   :1.944   Mean   :8.062 
##  3rd Qu.:252.8   3rd Qu.:4.700   3rd Qu.:2.500   3rd Qu.:9.200 
##  Max.   :270.0   Max.   :6.500   Max.   :3.800   Max.   :9.900 
##                  NA's   :21      NA's   :13      NA's   :17   
##        v4              v5              v6              v7     
##  Min.   :2.500   Min.   :1.100   Min.   :1.100   Min.   :1.700 
##  1st Qu.:4.500   1st Qu.:2.200   1st Qu.:2.275   1st Qu.:5.600 
##  Median :5.000   Median :3.000   Median :2.600   Median :6.800 
##  Mean   :5.168   Mean   :2.856   Mean   :2.611   Mean   :6.823 
##  3rd Qu.:5.900   3rd Qu.:3.400   3rd Qu.:3.000   3rd Qu.:8.200 
##  Max.   :7.800   Max.   :4.600   Max.   :4.000   Max.   :9.900 
##  NA's   :7       NA's   :9       NA's   :6       NA's   :9     
##        v8              v9             v10              v11       
##  Min.   :25.00   Min.   :3.300   Min.   :0.0000   Min.   :0.0000 
##  1st Qu.:39.00   1st Qu.:4.150   1st Qu.:0.0000   1st Qu.:0.0000 
##  Median :47.00   Median :4.900   Median :0.0000   Median :1.0000 
##  Mean   :46.03   Mean   :4.759   Mean   :0.3676   Mean   :0.6471 
##  3rd Qu.:54.00   3rd Qu.:5.250   3rd Qu.:1.0000   3rd Qu.:1.0000 
##  Max.   :65.00   Max.   :6.200   Max.   :1.0000   Max.   :1.0000 
##  NA's   :9       NA's   :7       NA's   :2        NA's   :2     
##       v12              v13              v14     
##  Min.   :0.0000   Min.   :0.0000   Min.   :1.000 
##  1st Qu.:0.0000   1st Qu.:0.0000   1st Qu.:1.000 
##  Median :0.0000   Median :0.0000   Median :2.000 
##  Mean   :0.4559   Mean   :0.4783   Mean   :2.029 
##  3rd Qu.:1.0000   3rd Qu.:1.0000   3rd Qu.:3.000 
##  Max.   :1.0000   Max.   :1.0000   Max.   :3.000 
##  NA's   :2        NA's   :1        NA's   :2
#converts into logical values with false for missing and true for non missing

missing_a<-is.na(missing1.1)

missing_a
##       id    v1    v2    v3    v4    v5    v6    v7    v8    v9   v10   v11
## 1  FALSE  TRUE FALSE  TRUE FALSE FALSE FALSE FALSE FALSE  TRUE FALSE FALSE
## 2  FALSE  TRUE FALSE  TRUE FALSE FALSE FALSE FALSE FALSE  TRUE FALSE FALSE
## 3  FALSE  TRUE  TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 4  FALSE  TRUE  TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 5  FALSE  TRUE  TRUE FALSE FALSE FALSE FALSE FALSE  TRUE FALSE FALSE FALSE
## 6  FALSE  TRUE FALSE  TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 7  FALSE  TRUE FALSE  TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 8  FALSE  TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 9  FALSE  TRUE FALSE  TRUE FALSE FALSE FALSE  TRUE FALSE FALSE FALSE FALSE
## 10 FALSE  TRUE FALSE FALSE FALSE  TRUE FALSE FALSE FALSE FALSE FALSE FALSE
## 11 FALSE  TRUE FALSE FALSE  TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 12 FALSE  TRUE FALSE  TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 13 FALSE  TRUE FALSE  TRUE FALSE  TRUE FALSE  TRUE  TRUE FALSE FALSE FALSE
## 14 FALSE  TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 15 FALSE  TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 16 FALSE  TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 17 FALSE  TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 18 FALSE  TRUE FALSE FALSE  TRUE FALSE  TRUE  TRUE  TRUE FALSE FALSE  TRUE
## 19 FALSE  TRUE FALSE FALSE FALSE  TRUE FALSE FALSE FALSE FALSE FALSE FALSE
## 20 FALSE  TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 21 FALSE  TRUE FALSE  TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 22 FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 23 FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 24 FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 25 FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 26 FALSE FALSE  TRUE FALSE FALSE FALSE FALSE  TRUE FALSE FALSE FALSE FALSE
## 27 FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 28 FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 29 FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 30 FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE  TRUE FALSE FALSE FALSE
## 31 FALSE FALSE  TRUE  TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 32 FALSE FALSE FALSE  TRUE FALSE  TRUE FALSE FALSE FALSE FALSE FALSE FALSE
## 33 FALSE FALSE FALSE FALSE FALSE FALSE FALSE  TRUE  TRUE FALSE FALSE FALSE
## 34 FALSE FALSE  TRUE FALSE FALSE FALSE FALSE FALSE  TRUE FALSE FALSE FALSE
## 35 FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 36 FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE  TRUE FALSE FALSE
## 37 FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 38 FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 39 FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 40 FALSE FALSE  TRUE  TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 41 FALSE FALSE  TRUE  TRUE FALSE FALSE  TRUE  TRUE  TRUE  TRUE FALSE  TRUE
## 42 FALSE FALSE  TRUE FALSE  TRUE  TRUE  TRUE  TRUE  TRUE FALSE  TRUE FALSE
## 43 FALSE FALSE FALSE FALSE FALSE FALSE FALSE  TRUE FALSE FALSE FALSE FALSE
## 44 FALSE FALSE FALSE FALSE  TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 45 FALSE FALSE FALSE  TRUE  TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 46 FALSE FALSE FALSE FALSE FALSE FALSE  TRUE FALSE FALSE  TRUE FALSE FALSE
## 47 FALSE FALSE FALSE  TRUE FALSE  TRUE FALSE FALSE FALSE FALSE FALSE FALSE
## 48 FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 49 FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 50 FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 51 FALSE FALSE FALSE FALSE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE FALSE
## 52 FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 53 FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 54 FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 55 FALSE FALSE  TRUE  TRUE FALSE  TRUE  TRUE FALSE FALSE  TRUE FALSE FALSE
## 56 FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 57 FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 58 FALSE FALSE FALSE  TRUE  TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 59 FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 60 FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 61 FALSE FALSE  TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 62 FALSE FALSE FALSE  TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 63 FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 64 FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 65 FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 66 FALSE FALSE  TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 67 FALSE FALSE FALSE FALSE FALSE  TRUE FALSE FALSE FALSE FALSE FALSE FALSE
## 68 FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 69 FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 70 FALSE FALSE  TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
##      v12   v13   v14
## 1  FALSE FALSE FALSE
## 2  FALSE FALSE FALSE
## 3  FALSE FALSE FALSE
## 4  FALSE FALSE FALSE
## 5  FALSE FALSE FALSE
## 6  FALSE FALSE FALSE
## 7  FALSE FALSE FALSE
## 8  FALSE FALSE FALSE
## 9  FALSE FALSE FALSE
## 10 FALSE FALSE FALSE
## 11 FALSE FALSE FALSE
## 12 FALSE FALSE FALSE
## 13  TRUE FALSE  TRUE
## 14 FALSE FALSE FALSE
## 15 FALSE FALSE FALSE
## 16 FALSE FALSE FALSE
## 17 FALSE FALSE FALSE
## 18 FALSE  TRUE FALSE
## 19 FALSE FALSE FALSE
## 20 FALSE FALSE FALSE
## 21 FALSE FALSE FALSE
## 22 FALSE FALSE FALSE
## 23 FALSE FALSE FALSE
## 24 FALSE FALSE FALSE
## 25 FALSE FALSE FALSE
## 26 FALSE FALSE FALSE
## 27 FALSE FALSE FALSE
## 28 FALSE FALSE FALSE
## 29 FALSE FALSE FALSE
## 30 FALSE FALSE FALSE
## 31 FALSE FALSE FALSE
## 32 FALSE FALSE FALSE
## 33 FALSE FALSE FALSE
## 34 FALSE FALSE FALSE
## 35 FALSE FALSE FALSE
## 36 FALSE FALSE FALSE
## 37 FALSE FALSE FALSE
## 38 FALSE FALSE FALSE
## 39 FALSE FALSE FALSE
## 40 FALSE FALSE FALSE
## 41 FALSE FALSE FALSE
## 42 FALSE FALSE FALSE
## 43 FALSE FALSE FALSE
## 44 FALSE FALSE FALSE
## 45 FALSE FALSE FALSE
## 46 FALSE FALSE FALSE
## 47 FALSE FALSE FALSE
## 48 FALSE FALSE FALSE
## 49 FALSE FALSE FALSE
## 50 FALSE FALSE FALSE
## 51 FALSE FALSE FALSE
## 52 FALSE FALSE FALSE
## 53 FALSE FALSE FALSE
## 54 FALSE FALSE FALSE
## 55  TRUE FALSE  TRUE
## 56 FALSE FALSE FALSE
## 57 FALSE FALSE FALSE
## 58 FALSE FALSE FALSE
## 59 FALSE FALSE FALSE
## 60 FALSE FALSE FALSE
## 61 FALSE FALSE FALSE
## 62 FALSE FALSE FALSE
## 63 FALSE FALSE FALSE
## 64 FALSE FALSE FALSE
## 65 FALSE FALSE FALSE
## 66 FALSE FALSE FALSE
## 67 FALSE FALSE FALSE
## 68 FALSE FALSE FALSE
## 69 FALSE FALSE FALSE
## 70 FALSE FALSE FALSE
# for particular variable say 1
missing_a[,1]
##     1     2     3     4     5     6     7     8     9    10    11    12    13
## FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
##    14    15    16    17    18    19    20    21    22    23    24    25    26
## FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
##    27    28    29    30    31    32    33    34    35    36    37    38    39
## FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
##    40    41    42    43    44    45    46    47    48    49    50    51    52
## FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
##    53    54    55    56    57    58    59    60    61    62    63    64    65
## FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
##    66    67    68    69    70
## FALSE FALSE FALSE FALSE FALSE
# for particular variable say 2
missing_a[,2]
##     1     2     3     4     5     6     7     8     9    10    11    12    13
##  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
##    14    15    16    17    18    19    20    21    22    23    24    25    26
##  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE FALSE FALSE FALSE FALSE FALSE
##    27    28    29    30    31    32    33    34    35    36    37    38    39
## FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
##    40    41    42    43    44    45    46    47    48    49    50    51    52
## FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
##    53    54    55    56    57    58    59    60    61    62    63    64    65
## FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
##    66    67    68    69    70
## FALSE FALSE FALSE FALSE FALSE
#convert the local values into actual values which are missing

missing1.1$v1[missing_a[,1]]
## numeric(0)
missing1.1$v2[missing_a[,2]]
##  [1] 1.5 1.5  NA  NA  NA 0.4 1.0 1.5 1.6 1.6 1.8 1.9 2.0 2.0 2.0 2.1 2.5 2.7 2.8
## [20] 3.3 3.7
str(missing1.1$v2[missing_a[,2]])
##  num [1:21] 1.5 1.5 NA NA NA 0.4 1 1.5 1.6 1.6 ...
summary(missing1.1$v2[missing_a[,2]])
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max.    NA's
##   0.400   1.525   1.950   1.994   2.400   3.700       3
#reverse th logical values
!missing_a[,2]
##     1     2     3     4     5     6     7     8     9    10    11    12    13
## FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
##    14    15    16    17    18    19    20    21    22    23    24    25    26
## FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE  TRUE  TRUE  TRUE  TRUE  TRUE
##    27    28    29    30    31    32    33    34    35    36    37    38    39
##  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
##    40    41    42    43    44    45    46    47    48    49    50    51    52
##  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
##    53    54    55    56    57    58    59    60    61    62    63    64    65
##  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
##    66    67    68    69    70
##  TRUE  TRUE  TRUE  TRUE  TRUE
complete.cases(missing1.1)
##  [1] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [13] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE  TRUE  TRUE  TRUE
## [25]  TRUE FALSE  TRUE  TRUE  TRUE FALSE FALSE FALSE FALSE FALSE  TRUE FALSE
## [37]  TRUE  TRUE  TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE  TRUE
## [49]  TRUE  TRUE FALSE  TRUE  TRUE  TRUE FALSE  TRUE  TRUE FALSE  TRUE  TRUE
## [61] FALSE FALSE  TRUE  TRUE  TRUE FALSE FALSE  TRUE  TRUE FALSE
complete.cases(missing1.1$v1)
##  [1] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [13] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE  TRUE  TRUE  TRUE
## [25]  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
## [37]  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
## [49]  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
## [61]  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
complete.cases(missing1.1$v2)
##  [1]  TRUE  TRUE FALSE FALSE FALSE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
## [13]  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
## [25]  TRUE FALSE  TRUE  TRUE  TRUE  TRUE FALSE  TRUE  TRUE FALSE  TRUE  TRUE
## [37]  TRUE  TRUE  TRUE FALSE FALSE FALSE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
## [49]  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE FALSE  TRUE  TRUE  TRUE  TRUE  TRUE
## [61] FALSE  TRUE  TRUE  TRUE  TRUE FALSE  TRUE  TRUE  TRUE FALSE
#store the comlete cases into cv2
cv2<-complete.cases(missing1.1$v2)
cv2
##  [1]  TRUE  TRUE FALSE FALSE FALSE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
## [13]  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
## [25]  TRUE FALSE  TRUE  TRUE  TRUE  TRUE FALSE  TRUE  TRUE FALSE  TRUE  TRUE
## [37]  TRUE  TRUE  TRUE FALSE FALSE FALSE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
## [49]  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE FALSE  TRUE  TRUE  TRUE  TRUE  TRUE
## [61] FALSE  TRUE  TRUE  TRUE  TRUE FALSE  TRUE  TRUE  TRUE FALSE
missing1.1$v2[cv2]
##  [1] 1.5 1.5 0.4 1.0 1.5 1.6 1.6 1.8 1.9 2.0 2.0 2.0 2.1 2.5 2.7 2.8 3.3 3.7 1.4
## [20] 2.4 3.8 2.6 2.0 2.8 3.2 3.8 1.9 2.2 0.9 2.6 2.0 3.7 2.8 0.7 1.4 0.8 0.8 2.2
## [39] 0.5 0.9 1.1 3.7 2.4 2.5 1.8 1.6 2.1 1.3 1.3 1.7 1.4 1.9 1.3 1.3 1.4 2.2 0.5
print(missing_a)
##       id    v1    v2    v3    v4    v5    v6    v7    v8    v9   v10   v11
## 1  FALSE  TRUE FALSE  TRUE FALSE FALSE FALSE FALSE FALSE  TRUE FALSE FALSE
## 2  FALSE  TRUE FALSE  TRUE FALSE FALSE FALSE FALSE FALSE  TRUE FALSE FALSE
## 3  FALSE  TRUE  TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 4  FALSE  TRUE  TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 5  FALSE  TRUE  TRUE FALSE FALSE FALSE FALSE FALSE  TRUE FALSE FALSE FALSE
## 6  FALSE  TRUE FALSE  TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 7  FALSE  TRUE FALSE  TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 8  FALSE  TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 9  FALSE  TRUE FALSE  TRUE FALSE FALSE FALSE  TRUE FALSE FALSE FALSE FALSE
## 10 FALSE  TRUE FALSE FALSE FALSE  TRUE FALSE FALSE FALSE FALSE FALSE FALSE
## 11 FALSE  TRUE FALSE FALSE  TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 12 FALSE  TRUE FALSE  TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 13 FALSE  TRUE FALSE  TRUE FALSE  TRUE FALSE  TRUE  TRUE FALSE FALSE FALSE
## 14 FALSE  TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 15 FALSE  TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 16 FALSE  TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 17 FALSE  TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 18 FALSE  TRUE FALSE FALSE  TRUE FALSE  TRUE  TRUE  TRUE FALSE FALSE  TRUE
## 19 FALSE  TRUE FALSE FALSE FALSE  TRUE FALSE FALSE FALSE FALSE FALSE FALSE
## 20 FALSE  TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 21 FALSE  TRUE FALSE  TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 22 FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 23 FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 24 FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 25 FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 26 FALSE FALSE  TRUE FALSE FALSE FALSE FALSE  TRUE FALSE FALSE FALSE FALSE
## 27 FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 28 FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 29 FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 30 FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE  TRUE FALSE FALSE FALSE
## 31 FALSE FALSE  TRUE  TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 32 FALSE FALSE FALSE  TRUE FALSE  TRUE FALSE FALSE FALSE FALSE FALSE FALSE
## 33 FALSE FALSE FALSE FALSE FALSE FALSE FALSE  TRUE  TRUE FALSE FALSE FALSE
## 34 FALSE FALSE  TRUE FALSE FALSE FALSE FALSE FALSE  TRUE FALSE FALSE FALSE
## 35 FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 36 FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE  TRUE FALSE FALSE
## 37 FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 38 FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 39 FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 40 FALSE FALSE  TRUE  TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 41 FALSE FALSE  TRUE  TRUE FALSE FALSE  TRUE  TRUE  TRUE  TRUE FALSE  TRUE
## 42 FALSE FALSE  TRUE FALSE  TRUE  TRUE  TRUE  TRUE  TRUE FALSE  TRUE FALSE
## 43 FALSE FALSE FALSE FALSE FALSE FALSE FALSE  TRUE FALSE FALSE FALSE FALSE
## 44 FALSE FALSE FALSE FALSE  TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 45 FALSE FALSE FALSE  TRUE  TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 46 FALSE FALSE FALSE FALSE FALSE FALSE  TRUE FALSE FALSE  TRUE FALSE FALSE
## 47 FALSE FALSE FALSE  TRUE FALSE  TRUE FALSE FALSE FALSE FALSE FALSE FALSE
## 48 FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 49 FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 50 FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 51 FALSE FALSE FALSE FALSE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE FALSE
## 52 FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 53 FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 54 FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 55 FALSE FALSE  TRUE  TRUE FALSE  TRUE  TRUE FALSE FALSE  TRUE FALSE FALSE
## 56 FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 57 FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 58 FALSE FALSE FALSE  TRUE  TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 59 FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 60 FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 61 FALSE FALSE  TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 62 FALSE FALSE FALSE  TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 63 FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 64 FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 65 FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 66 FALSE FALSE  TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 67 FALSE FALSE FALSE FALSE FALSE  TRUE FALSE FALSE FALSE FALSE FALSE FALSE
## 68 FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 69 FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## 70 FALSE FALSE  TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
##      v12   v13   v14
## 1  FALSE FALSE FALSE
## 2  FALSE FALSE FALSE
## 3  FALSE FALSE FALSE
## 4  FALSE FALSE FALSE
## 5  FALSE FALSE FALSE
## 6  FALSE FALSE FALSE
## 7  FALSE FALSE FALSE
## 8  FALSE FALSE FALSE
## 9  FALSE FALSE FALSE
## 10 FALSE FALSE FALSE
## 11 FALSE FALSE FALSE
## 12 FALSE FALSE FALSE
## 13  TRUE FALSE  TRUE
## 14 FALSE FALSE FALSE
## 15 FALSE FALSE FALSE
## 16 FALSE FALSE FALSE
## 17 FALSE FALSE FALSE
## 18 FALSE  TRUE FALSE
## 19 FALSE FALSE FALSE
## 20 FALSE FALSE FALSE
## 21 FALSE FALSE FALSE
## 22 FALSE FALSE FALSE
## 23 FALSE FALSE FALSE
## 24 FALSE FALSE FALSE
## 25 FALSE FALSE FALSE
## 26 FALSE FALSE FALSE
## 27 FALSE FALSE FALSE
## 28 FALSE FALSE FALSE
## 29 FALSE FALSE FALSE
## 30 FALSE FALSE FALSE
## 31 FALSE FALSE FALSE
## 32 FALSE FALSE FALSE
## 33 FALSE FALSE FALSE
## 34 FALSE FALSE FALSE
## 35 FALSE FALSE FALSE
## 36 FALSE FALSE FALSE
## 37 FALSE FALSE FALSE
## 38 FALSE FALSE FALSE
## 39 FALSE FALSE FALSE
## 40 FALSE FALSE FALSE
## 41 FALSE FALSE FALSE
## 42 FALSE FALSE FALSE
## 43 FALSE FALSE FALSE
## 44 FALSE FALSE FALSE
## 45 FALSE FALSE FALSE
## 46 FALSE FALSE FALSE
## 47 FALSE FALSE FALSE
## 48 FALSE FALSE FALSE
## 49 FALSE FALSE FALSE
## 50 FALSE FALSE FALSE
## 51 FALSE FALSE FALSE
## 52 FALSE FALSE FALSE
## 53 FALSE FALSE FALSE
## 54 FALSE FALSE FALSE
## 55  TRUE FALSE  TRUE
## 56 FALSE FALSE FALSE
## 57 FALSE FALSE FALSE
## 58 FALSE FALSE FALSE
## 59 FALSE FALSE FALSE
## 60 FALSE FALSE FALSE
## 61 FALSE FALSE FALSE
## 62 FALSE FALSE FALSE
## 63 FALSE FALSE FALSE
## 64 FALSE FALSE FALSE
## 65 FALSE FALSE FALSE
## 66 FALSE FALSE FALSE
## 67 FALSE FALSE FALSE
## 68 FALSE FALSE FALSE
## 69 FALSE FALSE FALSE
## 70 FALSE FALSE FALSE
#all those which are not missing
print(!missing_a)
##      id    v1    v2    v3    v4    v5    v6    v7    v8    v9   v10   v11   v12
## 1  TRUE FALSE  TRUE FALSE  TRUE  TRUE  TRUE  TRUE  TRUE FALSE  TRUE  TRUE  TRUE
## 2  TRUE FALSE  TRUE FALSE  TRUE  TRUE  TRUE  TRUE  TRUE FALSE  TRUE  TRUE  TRUE
## 3  TRUE FALSE FALSE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
## 4  TRUE FALSE FALSE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
## 5  TRUE FALSE FALSE  TRUE  TRUE  TRUE  TRUE  TRUE FALSE  TRUE  TRUE  TRUE  TRUE
## 6  TRUE FALSE  TRUE FALSE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
## 7  TRUE FALSE  TRUE FALSE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
## 8  TRUE FALSE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
## 9  TRUE FALSE  TRUE FALSE  TRUE  TRUE  TRUE FALSE  TRUE  TRUE  TRUE  TRUE  TRUE
## 10 TRUE FALSE  TRUE  TRUE  TRUE FALSE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
## 11 TRUE FALSE  TRUE  TRUE FALSE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
## 12 TRUE FALSE  TRUE FALSE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
## 13 TRUE FALSE  TRUE FALSE  TRUE FALSE  TRUE FALSE FALSE  TRUE  TRUE  TRUE FALSE
## 14 TRUE FALSE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
## 15 TRUE FALSE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
## 16 TRUE FALSE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
## 17 TRUE FALSE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
## 18 TRUE FALSE  TRUE  TRUE FALSE  TRUE FALSE FALSE FALSE  TRUE  TRUE FALSE  TRUE
## 19 TRUE FALSE  TRUE  TRUE  TRUE FALSE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
## 20 TRUE FALSE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
## 21 TRUE FALSE  TRUE FALSE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
## 22 TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
## 23 TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
## 24 TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
## 25 TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
## 26 TRUE  TRUE FALSE  TRUE  TRUE  TRUE  TRUE FALSE  TRUE  TRUE  TRUE  TRUE  TRUE
## 27 TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
## 28 TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
## 29 TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
## 30 TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE FALSE  TRUE  TRUE  TRUE  TRUE
## 31 TRUE  TRUE FALSE FALSE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
## 32 TRUE  TRUE  TRUE FALSE  TRUE FALSE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
## 33 TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE FALSE FALSE  TRUE  TRUE  TRUE  TRUE
## 34 TRUE  TRUE FALSE  TRUE  TRUE  TRUE  TRUE  TRUE FALSE  TRUE  TRUE  TRUE  TRUE
## 35 TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
## 36 TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE FALSE  TRUE  TRUE  TRUE
## 37 TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
## 38 TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
## 39 TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
## 40 TRUE  TRUE FALSE FALSE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
## 41 TRUE  TRUE FALSE FALSE  TRUE  TRUE FALSE FALSE FALSE FALSE  TRUE FALSE  TRUE
## 42 TRUE  TRUE FALSE  TRUE FALSE FALSE FALSE FALSE FALSE  TRUE FALSE  TRUE  TRUE
## 43 TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE FALSE  TRUE  TRUE  TRUE  TRUE  TRUE
## 44 TRUE  TRUE  TRUE  TRUE FALSE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
## 45 TRUE  TRUE  TRUE FALSE FALSE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
## 46 TRUE  TRUE  TRUE  TRUE  TRUE  TRUE FALSE  TRUE  TRUE FALSE  TRUE  TRUE  TRUE
## 47 TRUE  TRUE  TRUE FALSE  TRUE FALSE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
## 48 TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
## 49 TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
## 50 TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
## 51 TRUE  TRUE  TRUE  TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE  TRUE  TRUE
## 52 TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
## 53 TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
## 54 TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
## 55 TRUE  TRUE FALSE FALSE  TRUE FALSE FALSE  TRUE  TRUE FALSE  TRUE  TRUE FALSE
## 56 TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
## 57 TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
## 58 TRUE  TRUE  TRUE FALSE FALSE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
## 59 TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
## 60 TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
## 61 TRUE  TRUE FALSE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
## 62 TRUE  TRUE  TRUE FALSE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
## 63 TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
## 64 TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
## 65 TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
## 66 TRUE  TRUE FALSE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
## 67 TRUE  TRUE  TRUE  TRUE  TRUE FALSE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
## 68 TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
## 69 TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
## 70 TRUE  TRUE FALSE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
##      v13   v14
## 1   TRUE  TRUE
## 2   TRUE  TRUE
## 3   TRUE  TRUE
## 4   TRUE  TRUE
## 5   TRUE  TRUE
## 6   TRUE  TRUE
## 7   TRUE  TRUE
## 8   TRUE  TRUE
## 9   TRUE  TRUE
## 10  TRUE  TRUE
## 11  TRUE  TRUE
## 12  TRUE  TRUE
## 13  TRUE FALSE
## 14  TRUE  TRUE
## 15  TRUE  TRUE
## 16  TRUE  TRUE
## 17  TRUE  TRUE
## 18 FALSE  TRUE
## 19  TRUE  TRUE
## 20  TRUE  TRUE
## 21  TRUE  TRUE
## 22  TRUE  TRUE
## 23  TRUE  TRUE
## 24  TRUE  TRUE
## 25  TRUE  TRUE
## 26  TRUE  TRUE
## 27  TRUE  TRUE
## 28  TRUE  TRUE
## 29  TRUE  TRUE
## 30  TRUE  TRUE
## 31  TRUE  TRUE
## 32  TRUE  TRUE
## 33  TRUE  TRUE
## 34  TRUE  TRUE
## 35  TRUE  TRUE
## 36  TRUE  TRUE
## 37  TRUE  TRUE
## 38  TRUE  TRUE
## 39  TRUE  TRUE
## 40  TRUE  TRUE
## 41  TRUE  TRUE
## 42  TRUE  TRUE
## 43  TRUE  TRUE
## 44  TRUE  TRUE
## 45  TRUE  TRUE
## 46  TRUE  TRUE
## 47  TRUE  TRUE
## 48  TRUE  TRUE
## 49  TRUE  TRUE
## 50  TRUE  TRUE
## 51  TRUE  TRUE
## 52  TRUE  TRUE
## 53  TRUE  TRUE
## 54  TRUE  TRUE
## 55  TRUE FALSE
## 56  TRUE  TRUE
## 57  TRUE  TRUE
## 58  TRUE  TRUE
## 59  TRUE  TRUE
## 60  TRUE  TRUE
## 61  TRUE  TRUE
## 62  TRUE  TRUE
## 63  TRUE  TRUE
## 64  TRUE  TRUE
## 65  TRUE  TRUE
## 66  TRUE  TRUE
## 67  TRUE  TRUE
## 68  TRUE  TRUE
## 69  TRUE  TRUE
## 70  TRUE  TRUE
summary(missing_a)
##      id              v1              v2              v3       
##  Mode :logical   Mode :logical   Mode :logical   Mode :logical 
##  FALSE:70        FALSE:49        FALSE:57        FALSE:53     
##                  TRUE :21        TRUE :13        TRUE :17     
##      v4              v5              v6              v7       
##  Mode :logical   Mode :logical   Mode :logical   Mode :logical 
##  FALSE:63        FALSE:61        FALSE:64        FALSE:61     
##  TRUE :7         TRUE :9         TRUE :6         TRUE :9       
##      v8              v9             v10             v11       
##  Mode :logical   Mode :logical   Mode :logical   Mode :logical 
##  FALSE:61        FALSE:63        FALSE:68        FALSE:68     
##  TRUE :9         TRUE :7         TRUE :2         TRUE :2       
##     v12             v13             v14       
##  Mode :logical   Mode :logical   Mode :logical 
##  FALSE:68        FALSE:69        FALSE:68     
##  TRUE :2         TRUE :1         TRUE :2
#all those which are missing
missing1.1[!missing_a,2]
##   [1]  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA
##  [19]  NA  NA  NA 2.8 2.8 2.8 2.9 3.0 3.0 3.0 3.0 3.0 3.1 3.1 3.1 3.2 3.3 3.3
##  [37] 3.4 3.4 3.5 3.6 3.6 3.6 3.7 3.7 3.8 3.8 3.9 4.0 4.0 4.1 4.1 4.2 4.2 4.3
##  [55] 4.5 4.5 4.6 4.7 4.7 4.8 4.9 5.1 5.1 5.2 5.2 5.3 5.3 5.6 6.1 6.5  NA  NA
##  [73]  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA
##  [91]  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA
## [109]  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA
## [127]  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA
## [145]  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA
## [163]  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA
## [181]  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA
## [199]  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA
## [217]  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA
## [235]  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA
## [253]  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA
## [271]  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA
## [289]  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA
## [307]  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA
## [325]  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA
## [343]  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA
## [361]  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA
## [379]  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA
## [397]  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA
## [415]  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA
## [433]  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA
## [451]  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA
## [469]  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA
## [487]  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA
## [505]  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA
## [523]  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA
## [541]  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA
## [559]  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA
## [577]  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA
## [595]  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA
## [613]  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA
## [631]  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA
## [649]  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA
## [667]  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA
## [685]  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA
## [703]  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA
## [721]  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA
## [739]  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA
## [757]  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA
## [775]  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA
## [793]  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA
## [811]  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA
## [829]  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA
## [847]  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA
## [865]  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA
## [883]  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA
## [901]  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA
## [919]  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA  NA
## [937]  NA  NA  NA  NA  NA  NA  NA
summary(missing1.1[missing_a])
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max.    NA's
##      NA      NA      NA     NaN      NA      NA     107
#all those which are missing

missing1.1[missing_a,]
##        id v1 v2 v3 v4 v5 v6 v7 v8 v9 v10 v11 v12 v13 v14
## NA     NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.1   NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.2   NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.3   NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.4   NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.5   NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.6   NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.7   NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.8   NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.9   NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.10  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.11  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.12  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.13  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.14  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.15  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.16  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.17  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.18  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.19  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.20  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.21  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.22  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.23  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.24  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.25  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.26  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.27  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.28  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.29  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.30  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.31  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.32  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.33  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.34  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.35  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.36  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.37  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.38  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.39  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.40  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.41  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.42  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.43  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.44  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.45  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.46  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.47  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.48  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.49  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.50  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.51  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.52  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.53  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.54  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.55  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.56  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.57  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.58  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.59  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.60  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.61  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.62  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.63  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.64  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.65  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.66  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.67  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.68  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.69  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.70  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.71  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.72  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.73  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.74  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.75  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.76  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.77  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.78  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.79  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.80  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.81  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.82  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.83  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.84  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.85  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.86  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.87  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.88  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.89  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.90  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.91  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.92  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.93  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.94  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.95  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.96  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.97  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.98  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.99  NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.100 NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.101 NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.102 NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.103 NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.104 NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.105 NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
## NA.106 NA NA NA NA NA NA NA NA NA NA  NA  NA  NA  NA  NA
summary(missing1.1[missing_a])
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max.    NA's
##      NA      NA      NA     NaN      NA      NA     107
#all those which are not missing
missing1.1[!missing_a]
##   [1] 204.0 207.0 248.0 232.0 224.0 202.0 255.0 240.0 221.0 216.0 228.0 269.0
##  [13] 245.0 260.0 253.0 259.0 238.0 214.0 218.0 256.0 250.0 223.0 234.0 252.0
##  [25] 236.0 203.0 265.0 211.0 251.0 244.0 213.0 241.0 219.0 227.0 201.0 268.0
##  [37] 226.0 254.0 209.0 257.0 261.0 263.0 231.0 246.0 267.0 235.0 222.0 215.0
##  [49] 258.0 243.0 210.0 266.0 247.0 239.0 233.0 270.0 206.0 225.0 230.0 212.0
##  [61] 237.0 205.0 242.0 264.0 208.0 249.0 229.0 262.0 217.0 220.0   2.8   2.8
##  [73]   2.8   2.9   3.0   3.0   3.0   3.0   3.0   3.1   3.1   3.1   3.2   3.3
##  [85]   3.3   3.4   3.4   3.5   3.6   3.6   3.6   3.7   3.7   3.8   3.8   3.9
##  [97]   4.0   4.0   4.1   4.1   4.2   4.2   4.3   4.5   4.5   4.6   4.7   4.7
## [109]   4.8   4.9   5.1   5.1   5.2   5.2   5.3   5.3   5.6   6.1   6.5   1.5
## [121]   1.5   0.4   1.0   1.5   1.6   1.6   1.8   1.9   2.0   2.0   2.0   2.1
## [133]   2.5   2.7   2.8   3.3   3.7   1.4   2.4   3.8   2.6   2.0   2.8   3.2
## [145]   3.8   1.9   2.2   0.9   2.6   2.0   3.7   2.8   0.7   1.4   0.8   0.8
## [157]   2.2   0.5   0.9   1.1   3.7   2.4   2.5   1.8   1.6   2.1   1.3   1.3
## [169]   1.7   1.4   1.9   1.3   1.3   1.4   2.2   0.5   6.4   8.2   8.6   9.9
## [181]   6.4   7.7   6.4   9.3   6.9   9.6   5.0   5.2   7.5   8.1   6.7   8.9
## [193]   7.7   9.1   6.6   7.8   6.0   5.5   6.7   5.7   8.6   9.7   9.7   6.4
## [205]   9.9   9.9   8.2   9.0   8.7   6.7   9.1   9.3   5.9   9.4   9.2   7.6
## [217]   8.7   7.9   9.9   7.6   7.4   9.2   9.1   9.7   8.5   9.7   8.2   9.2
## [229]   9.0   4.8   4.8   5.3   5.0   5.7   2.5   3.4   2.7   4.8   5.0   4.5
## [241]   4.7   4.5   5.9   5.4   5.5   5.0   4.5   5.2   3.8   4.9   6.9   7.0
## [253]   7.1   6.6   7.1   5.3   4.9   7.8   4.5   6.8   5.1   4.0   3.3   4.7
## [265]   5.7   3.5   5.8   6.2   6.0   2.9   4.6   4.5   5.4   5.5   4.9   6.2
## [277]   5.4   5.9   4.6   5.8   6.7   4.2   6.9   4.8   5.8   4.5   6.1   3.7
## [289]   6.1   3.1   4.8   7.0   1.9   1.9   3.0   3.6   2.7   1.2   1.7   1.3
## [301]   2.0   3.4   1.5   2.1   3.7   1.1   4.0   2.2   2.5   3.0   2.1   2.5
## [313]   3.3   2.8   3.5   2.4   3.0   3.1   3.4   3.6   2.6   3.6   2.1   2.9
## [325]   2.7   3.5   3.1   3.7   4.5   2.1   2.6   2.2   1.6   2.2   2.4   2.5
## [337]   3.2   3.3   3.1   3.1   3.4   3.0   3.0   3.3   4.6   3.3   3.6   3.3
## [349]   3.2   3.5   4.0   3.3   3.2   2.5   2.5   2.5   2.5   3.7   1.7   1.1
## [361]   1.2   2.8   2.1   1.5   3.1   3.2   2.2   2.4   2.6   3.0   2.7   2.4
## [373]   2.3   1.4   2.6   3.2   3.6   3.4   2.7   3.8   3.0   2.6   4.0   3.1
## [385]   2.9   2.9   1.8   1.5   1.7   3.4   1.7   2.5   2.5   2.3   2.6   2.5
## [397]   2.1   2.6   2.7   2.7   3.9   2.5   2.1   2.8   2.6   2.6   1.4   4.0
## [409]   2.6   2.3   2.7   3.9   1.9   3.9   1.6   2.8   3.7   7.2   7.2   7.1
## [421]   9.0   6.7   5.2   6.2   1.7   8.4   5.9   9.9   8.8   4.6   8.9   7.7
## [433]   8.4   7.6   9.1   6.6   9.2   8.2   7.7   8.2   7.9   8.0   6.0   5.9
## [445]   3.8   6.2   6.3   5.2   4.8   8.4   5.4   9.3   6.8   5.3   5.6   8.3
## [457]   5.0   7.3   7.4   8.5   7.3   4.4   8.8   6.8   4.7   6.8   6.8   5.8
## [469]   9.6   3.8   4.5   7.3   6.7   4.8   6.8   5.3   7.1   8.0  36.0  36.0
## [481]  46.0  53.0  35.0  35.0  50.0  32.0  25.0  40.0  39.0  28.0  60.0  29.0
## [493]  65.0  38.0  39.0  49.0  39.0  32.0  53.0  47.0  55.0  41.0  49.0  43.0
## [505]  43.0  54.0  41.0  47.0  49.0  47.0  49.0  44.0  41.0  45.0  42.0  39.0
## [517]  47.0  31.0  46.0  47.0  49.0  59.0  46.0  50.0  56.0  49.0  54.0  55.0
## [529]  39.0  62.0  49.0  60.0  60.0  54.0  58.0  54.0  55.0  60.0  33.0   4.5
## [541]   5.2   5.0   3.3   4.1   5.0   4.3   3.4   5.6   3.3   3.4   3.3   6.1
## [553]   3.9   6.0   3.6   3.7   3.6   4.8   4.4   3.7   5.0   4.2   5.2   4.1
## [565]   4.4   3.3   4.2   5.2   4.8   4.3   4.4   4.5   4.7   3.8   5.4   4.8
## [577]   4.9   5.0   4.9   5.1   5.0   4.0   5.1   5.3   5.2   6.0   5.6   5.1
## [589]   5.9   5.9   6.0   5.5   6.2   4.9   6.1   5.1   5.8   4.3   5.9   3.9
## [601]   5.2   5.4   1.0   1.0   1.0   1.0   0.0   0.0   1.0   1.0   0.0   1.0
## [613]   0.0   1.0   1.0   1.0   0.0   1.0   0.0   1.0   1.0   1.0   1.0   1.0
## [625]   1.0   0.0   0.0   0.0   1.0   0.0   1.0   0.0   0.0   0.0   1.0   0.0
## [637]   0.0   0.0   0.0   1.0   0.0   1.0   1.0   0.0   0.0   0.0   0.0   0.0
## [649]   0.0   0.0   0.0   0.0   0.0   0.0   1.0   0.0   0.0   0.0   0.0   0.0
## [661]   1.0   0.0   0.0   0.0   0.0   0.0   0.0   0.0   0.0   0.0   0.0   0.0
## [673]   0.0   0.0   1.0   1.0   0.0   0.0   1.0   0.0   1.0   0.0   0.0   0.0
## [685]   1.0   0.0   1.0   0.0   0.0   0.0   0.0   0.0   1.0   1.0   1.0   0.0
## [697]   1.0   0.0   1.0   1.0   1.0   0.0   1.0   1.0   1.0   1.0   0.0   1.0
## [709]   0.0   1.0   1.0   1.0   1.0   1.0   1.0   1.0   1.0   1.0   0.0   1.0
## [721]   1.0   1.0   0.0   1.0   1.0   1.0   1.0   1.0   0.0   1.0   1.0   1.0
## [733]   1.0   1.0   1.0   1.0   1.0   1.0   1.0   1.0   1.0   1.0   0.0   0.0
## [745]   1.0   1.0   0.0   1.0   0.0   1.0   1.0   0.0   1.0   0.0   1.0   1.0
## [757]   1.0   1.0   1.0   1.0   1.0   1.0   1.0   1.0   1.0   1.0   1.0   1.0
## [769]   0.0   1.0   1.0   0.0   0.0   0.0   1.0   0.0   1.0   1.0   0.0   0.0
## [781]   0.0   0.0   0.0   0.0   0.0   0.0   0.0   1.0   0.0   0.0   0.0   0.0
## [793]   0.0   0.0   0.0   0.0   1.0   0.0   0.0   0.0   0.0   0.0   0.0   0.0
## [805]   0.0   0.0   0.0   0.0   0.0   1.0   1.0   0.0   0.0   1.0   0.0   1.0
## [817]   0.0   1.0   1.0   1.0   0.0   1.0   0.0   0.0   1.0   1.0   0.0   1.0
## [829]   0.0   1.0   0.0   0.0   1.0   0.0   1.0   1.0   1.0   0.0   1.0   0.0
## [841]   1.0   0.0   0.0   1.0   1.0   1.0   0.0   0.0   0.0   0.0   0.0   1.0
## [853]   1.0   1.0   1.0   0.0   1.0   0.0   1.0   0.0   0.0   1.0   0.0   0.0
## [865]   0.0   0.0   0.0   0.0   1.0   1.0   0.0   1.0   1.0   1.0   0.0   1.0
## [877]   1.0   2.0   2.0   1.0   1.0   1.0   2.0   1.0   1.0   2.0   1.0   1.0
## [889]   3.0   1.0   3.0   1.0   1.0   1.0   2.0   1.0   1.0   3.0   2.0   3.0
## [901]   1.0   2.0   1.0   2.0   2.0   3.0   1.0   2.0   2.0   3.0   3.0   1.0
## [913]   3.0   2.0   2.0   3.0   2.0   2.0   2.0   1.0   2.0   1.0   3.0   3.0
## [925]   2.0   2.0   3.0   3.0   3.0   3.0   3.0   3.0   2.0   2.0   2.0   3.0
## [937]   3.0   3.0   3.0   3.0   3.0   3.0   1.0
summary(missing1.1[!missing_a])
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max.
##    0.00    1.00    3.00   22.99    6.10  270.00

Basics of R- Session :- Image classification using JPG images and svm, and knn

Image Classification

# classification of Image into two group
# Library raster, rasterimage

rm(list=ls())

library(imager)

## Loading required package: magrittr

## 
## Attaching package: 'imager'

## The following object is masked from 'package:magrittr':
## 
##     add

## The following objects are masked from 'package:stats':
## 
##     convolve, spectrum

## The following object is masked from 'package:graphics':
## 
##     frame

## The following object is masked from 'package:base':
## 
##     save.image

# import images from Directory or load images of IMCU faculty members
IMCU.Images<- load.dir(path="C:/Users/LENOVO/Desktop/Image classification/institute of Management", pattern=".jpg")
#str(IMCU.Images)
# plot(IMCU.Images[1])

# Use for loop

#--------------------------------------------#
# convert image into gray scale
for (i in 1:length(IMCU.Images))
{
  IMCU.Images[[i]]<- grayscale(IMCU.Images[[i]])  
}

#str(IMCU.Images)
class(IMCU.Images)

## [1] "imlist" "list"

# plot(IMCU.Images[[1]])

#--------------------------------------------#
# conver image to same size- rescale
for (i in 1:length(IMCU.Images))
{
  IMCU.Images[[i]]<-resize(IMCU.Images[[i]], size_x = 100, size_y = 100, size_z = 1, size_c = 1)
}

IMCU.Images

## Image list of size 66

#str(IMCU.Images)
class(IMCU.Images)

## [1] "imlist" "list"

#plot(IMCU.Images[[1]])

#-------------------------------------------------#

# save the each image pixel data as numeric

for (i in 1:length(IMCU.Images))
{
  IMCU.Images[[i]]<-as.numeric(IMCU.Images[[i]]) # convert to number
}

#str(IMCU.Images)
class(IMCU.Images)

## [1] "imlist" "list"

#-------------------------------------------------#
# convert data into data frame

IMCU.Images.data<-as.data.frame(IMCU.Images)
str(IMCU.Images.data)

## 'data.frame':    660000 obs. of  2 variables:
##  $ im: chr  "E1125.jpg" "E1125.jpg" "E1125.jpg" "E1125.jpg" ...
##  $ v : num  1 1 1 1 1 1 1 1 1 1 ...

#---------------------------------------------#
# adding unique ids to the data, 
# since we know each image has 100*100 points

IMCU.Images.data$id<-seq(1:10000)
str(IMCU.Images.data)

## 'data.frame':    660000 obs. of  3 variables:
##  $ im: chr  "E1125.jpg" "E1125.jpg" "E1125.jpg" "E1125.jpg" ...
##  $ v : num  1 1 1 1 1 1 1 1 1 1 ...
##  $ id: int  1 2 3 4 5 6 7 8 9 10 ...

#---------------------------------#
# add grouping variable to the data set
IMCU.Images.data$group1<-"imcu"
str(IMCU.Images.data)

## 'data.frame':    660000 obs. of  4 variables:
##  $ im    : chr  "E1125.jpg" "E1125.jpg" "E1125.jpg" "E1125.jpg" ...
##  $ v     : num  1 1 1 1 1 1 1 1 1 1 ...
##  $ id    : int  1 2 3 4 5 6 7 8 9 10 ...
##  $ group1: chr  "imcu" "imcu" "imcu" "imcu" ...

IMCU.Images.data$group1<-as.factor(IMCU.Images.data$group1)

# rearrange the data
IMCU.Images.data<-IMCU.Images.data[,c("id","group1","im","v")]
str(IMCU.Images.data)

## 'data.frame':    660000 obs. of  4 variables:
##  $ id    : int  1 2 3 4 5 6 7 8 9 10 ...
##  $ group1: Factor w/ 1 level "imcu": 1 1 1 1 1 1 1 1 1 1 ...
##  $ im    : chr  "E1125.jpg" "E1125.jpg" "E1125.jpg" "E1125.jpg" ...
##  $ v     : num  1 1 1 1 1 1 1 1 1 1 ...

#IMCU.Images.data

#----------------------------#
# since the data created is a single col with all pixel positions
# converting 10000 pixels address as variables

library(tidyr)

## 
## Attaching package: 'tidyr'

## The following object is masked from 'package:imager':
## 
##     fill

## The following object is masked from 'package:magrittr':
## 
##     extract

IMCU.Images.data.1<-spread(IMCU.Images.data, id, v)
#str(IMCU.Images.data.1)

now create a data set for the other department Management Science

# import images from Directory or load images of IMCU faculty members
MS.Images<- load.dir(path="C:/Users/LENOVO/Desktop/Image classification/management studies", pattern=".jpg")
#str(MS.Images)
#plot(MS.Images[1])

# Use for loop

#--------------------------------------------#
# convert image into gray scale
for (i in 1:length(MS.Images))
{
  MS.Images[[i]]<- grayscale(MS.Images[[i]])  
}

#str(MS.Images)
class(MS.Images)

## [1] "imlist" "list"

#--------------------------------------------#
# conver image to same size- rescale
for (i in 1:length(MS.Images))
{
  MS.Images[[i]]<-resize(MS.Images[[i]], size_x = 100, size_y = 100, size_z = 1, size_c = 1)
}

MS.Images

## Image list of size 40

#str(MS.Images)
class(MS.Images)

## [1] "imlist" "list"

# plot(MS.Images[[1]])

#-------------------------------------------------#

# save the each image pixel data as numeric

for (i in 1:length(MS.Images))
{
  MS.Images[[i]]<-as.numeric(MS.Images[[i]]) # convert to number
}

#str(MS.Images)
class(MS.Images)

## [1] "imlist" "list"

#-------------------------------------------------#
# convert data into data frame

MS.Images.data<-as.data.frame(MS.Images)

#---------------------------------------------#
# adding unique ids to the data, 
# since we know each image has 100*100 points

MS.Images.data$id<-seq(1:10000)
str(MS.Images.data)

## 'data.frame':    400000 obs. of  3 variables:
##  $ im: chr  "E1247.jpg" "E1247.jpg" "E1247.jpg" "E1247.jpg" ...
##  $ v : num  0.922 0.941 0.945 0.937 0.941 ...
##  $ id: int  1 2 3 4 5 6 7 8 9 10 ...

#---------------------------------#
# add grouping variable to the data set
MS.Images.data$group1<-"MS"
str(MS.Images.data)

## 'data.frame':    400000 obs. of  4 variables:
##  $ im    : chr  "E1247.jpg" "E1247.jpg" "E1247.jpg" "E1247.jpg" ...
##  $ v     : num  0.922 0.941 0.945 0.937 0.941 ...
##  $ id    : int  1 2 3 4 5 6 7 8 9 10 ...
##  $ group1: chr  "MS" "MS" "MS" "MS" ...

MS.Images.data$group1<-as.factor(MS.Images.data$group1)

# rearrange the data
MS.Images.data<-MS.Images.data[,c("id","group1","im","v")]
str(MS.Images.data)

## 'data.frame':    400000 obs. of  4 variables:
##  $ id    : int  1 2 3 4 5 6 7 8 9 10 ...
##  $ group1: Factor w/ 1 level "MS": 1 1 1 1 1 1 1 1 1 1 ...
##  $ im    : chr  "E1247.jpg" "E1247.jpg" "E1247.jpg" "E1247.jpg" ...
##  $ v     : num  0.922 0.941 0.945 0.937 0.941 ...

# MS.Images.data

#----------------------------#
# since the data created is a single col with all pixel positions
# converting 10000 pixels address as variables

library(tidyr)
MS.Images.data.1<-spread(MS.Images.data, id, v)
#str(MS.Images.data.1)

combine the two data set created

CU.images.data<-rbind(IMCU.Images.data.1, MS.Images.data.1)
# str(CU.images.data)

apply model for classification

apply the knn on the whole data

# remove the variable im
CU.images.data<-CU.images.data[,-2]
# use caret package for KNN
library(caret)

## Loading required package: lattice

## Loading required package: ggplot2

fitControl = trainControl(method="cv")

knnMod2 = train(group1 ~ ., data=CU.images.data,
                method="knn",
                trControl=fitControl,
                preProcess=c("center","scale"),
                tuneLength=5)

summary(knnMod2)

##             Length Class      Mode     
## learn           2  -none-     list     
## k               1  -none-     numeric  
## theDots         0  -none-     list     
## xNames      10000  -none-     character
## problemType     1  -none-     character
## tuneValue       1  data.frame list     
## obsLevels       2  -none-     character
## param           0  -none-     list

print(knnMod2)

## k-Nearest Neighbors 
## 
##   106 samples
## 10000 predictors
##     2 classes: 'imcu', 'MS' 
## 
## Pre-processing: centered (10000), scaled (10000) 
## Resampling: Cross-Validated (10 fold) 
## Summary of sample sizes: 96, 95, 96, 95, 95, 96, ... 
## Resampling results across tuning parameters:
## 
##   k   Accuracy   Kappa    
##    5  0.6754545  0.3341953
##    7  0.6690909  0.3081981
##    9  0.6300000  0.2157474
##   11  0.6209091  0.1961218
##   13  0.6127273  0.1482331
## 
## Accuracy was used to select the optimal model using the largest value.
## The final value used for the model was k = 5.

plot(knnMod2)

pred = predict(knnMod2, newdata=CU.images.data)
confusionMatrix(pred, CU.images.data[,1])

## Confusion Matrix and Statistics
## 
##           Reference
## Prediction imcu MS
##       imcu   56 10
##       MS     10 30
##                                           
##                Accuracy : 0.8113          
##                  95% CI : (0.7238, 0.8808)
##     No Information Rate : 0.6226          
##     P-Value [Acc > NIR] : 2.122e-05       
##                                           
##                   Kappa : 0.5985          
##  Mcnemar's Test P-Value : 1               
##                                           
##             Sensitivity : 0.8485          
##             Specificity : 0.7500          
##          Pos Pred Value : 0.8485          
##          Neg Pred Value : 0.7500          
##              Prevalence : 0.6226          
##          Detection Rate : 0.5283          
##    Detection Prevalence : 0.6226          
##       Balanced Accuracy : 0.7992          
##                                           
##        'Positive' Class : imcu            
## 

—————————————————-

SUpport vector Machine

library(e1071)

dtm1<-svm(group1~., data = CU.images.data,kernel = "linear",scale = TRUE)
summary(dtm1)

## 
## Call:
## svm(formula = group1 ~ ., data = CU.images.data, kernel = "linear", 
##     scale = TRUE)
## 
## 
## Parameters:
##    SVM-Type:  C-classification 
##  SVM-Kernel:  linear 
##        cost:  1 
##       gamma:  1e-04 
## 
## Number of Support Vectors:  85
## 
##  ( 50 35 )
## 
## 
## Number of Classes:  2 
## 
## Levels: 
##  imcu MS

#dtm1$SV
#dtm1$kernel
#dtm1$tot.nSV
#dtm1$decision.values
#dtm1$fitted
#dtm1$coefs

# to check is it a good classifier we will use confusion matrix
predict1<-predict(dtm1,CU.images.data)
confusionMatrix(predict1,CU.images.data$group1)

## Confusion Matrix and Statistics
## 
##           Reference
## Prediction imcu MS
##       imcu   66  0
##       MS      0 40
##                                      
##                Accuracy : 1          
##                  95% CI : (0.9658, 1)
##     No Information Rate : 0.6226     
##     P-Value [Acc > NIR] : < 2.2e-16  
##                                      
##                   Kappa : 1          
##  Mcnemar's Test P-Value : NA         
##                                      
##             Sensitivity : 1.0000     
##             Specificity : 1.0000     
##          Pos Pred Value : 1.0000     
##          Neg Pred Value : 1.0000     
##              Prevalence : 0.6226     
##          Detection Rate : 0.6226     
##    Detection Prevalence : 0.6226     
##       Balanced Accuracy : 1.0000     
##                                      
##        'Positive' Class : imcu       
## 

————————————————————-

Predicting for image out of data set

test data set

import images from Directory or load images of IMCU faculty members

test.Images<- load.dir(path="C:/Users/LENOVO/Desktop/Image classification/test", pattern=".jpg")

# convert image into gray scale
for (i in 1:length(test.Images))
{
  test.Images[[i]]<- grayscale(test.Images[[i]])  
}

# conver image to same size- rescale

for (i in 1:length(test.Images))
{
  test.Images[[i]]<-resize(test.Images[[i]], size_x = 100, size_y = 100, size_z = 1, size_c = 1)
}
# save the each image pixel data as numeric

for (i in 1:length(test.Images))
{
  test.Images[[i]]<-as.numeric(test.Images[[i]]) # convert to number
}

#-------------------------------------------------#
# convert data into data frame

test.Images.data<-as.data.frame(test.Images)

#---------------------------------------------#
# adding unique ids to the data, 
# since we know each image has 100*100 points

test.Images.data$id<-seq(1:10000)

#---------------------------------#
# add grouping variable to the data set
test.Images.data$group1<-"test"
test.Images.data$group1<-as.factor(test.Images.data$group1)

# rearrange the data
test.Images.data<-test.Images.data[,c("id","group1","im","v")]

#----------------------------#
# converting 10000 pixels address as variables

library(tidyr)

test.Images.data.1<-spread(test.Images.data, id, v)
#str(test.Images.data.1)
test.Images.data.1<-test.Images.data.1[,-2]

# to check is it a good classifier we will use confusion matrix
predict1<-predict(dtm1,test.Images.data.1)
predict1

##    1    2    3    4 
## imcu imcu imcu imcu 
## Levels: imcu MS

———————————————-

Random Forest tree

takes lot of time - Not useful