Modelos_MLR.Rmd

---
title: "Modelos de Regresión Lineal Múltiple"
description: |
  
  Se muestran diferentes modelos de regresión lineal múltiple (MLR) para predecir la lisis de los globulos rojos

  
output: distill::distill_article
css: styles.css
---
```{r setup, include=FALSE}
knitr::opts_chunk$set(echo = FALSE)
```
<span style="color: blue;">
-> Modelo 1: % Lisis en función de la carga, logD y anfipaticidad
</span>
```{r, layout="l-body-outset"}
data=read.csv("qsar_example.csv")
library(Metrics)
#Model1
model1 <- lm(lysis ~ charge+logD+amphipathicity, data = data)
summary(model1)
s1=summary(model1)

```
<span style="color: red;">
-> Modelo 2: % Lisis en función del logD y anfipaticidad
</span>
```{r, layout="l-body-outset"}
#Model2
model2 <- lm(lysis ~ logD+amphipathicity, data = data)
summary(model2)
s2=summary(model2)
```
<span style="color: green;">
-> Modelo 3: % Lisis en función de la carga y anfipaticidad
</span>
```{r, layout="l-body-outset"}
#Model3
model3 <- lm(lysis ~ charge+amphipathicity, data = data)
summary(model3)
s3=summary(model3)
```
<span style="color: coral;">
-> Modelo 4: % Lisis en función de la anfipaticidad.
</span>
```{r, layout="l-body-outset"}
#Model4
model4 <- lm(lysis ~ amphipathicity, data = data)
summary(model4)
s4=summary(model4)
```


Se muestran los gráficos de cada modelo 

Modelo 1 en azul, Modelo 2 en rojo, Modelo 3 en verde, Modelo 4 en negro

En función del coeficiente de determinación (R^2)
 
```{r, layout="l-body-outset"}
rs=c(s1$r.squared,s2$r.squared,s3$r.squared,s4$r.squared)

plot(c(1:4),rs,pch=19,cex=1.8,col=c("blue","red","green","coral"),xlab="model",ylab="R2"
,xaxt="n",ylim=c(0.6,0.9))
axis(1, at=c(1,2,3,4),labels=c("1","2","3","4"),las=1)


```

En función del root-mean-square-deviation (RSMD)
  ^[Se debe considerar que el error experimental del % de lisis es aproxidamente +/- 12 % ].

```{r, layout="l-body-outset"}
#rsme
p1=predict(model1)
p2=predict(model2)
p3=predict(model3)
p4=predict(model4)

data$p1=round(p1,1)
data$p2=round(p2,1)
data$p3=round(p3,1)
data$p4=round(p4,1)

rsmd<-NULL
for (i in c(6:9)) {
y=data[,2]
a<-round(rmse(data[,i],y),3)
rsmd<-append(rsmd,a)
}
#rsmd

plot(c(1:4),rsmd,pch=19,cex=1.8,col=c("blue","red","green","coral"),xlab="model",ylab="RMSD"
,xaxt="n",ylim=c(12,18))
axis(1, at=c(1,2,3,4),labels=c("1","2","3","4"),las=1)

```

¿Cuál modelo se usaría para el QSAR?