datas[-1]
parsed <- na.omit(datas[-1])
parsed

#for(i in 1:length(parsed) ){
  #shapiro.test(parsed[i])
#}

shapiro.test(parsed$TTG)
shapiro.test(parsed$Mochevina)
shapiro.test(parsed$Ferritin)
shapiro.test(parsed$VitD)
shapiro.test(parsed$MKislota)
shapiro.test(parsed$B12)
shapiro.test(parsed$CholesterinVP)
shapiro.test(parsed$GGT)
shapiro.test(parsed$Cbelok)
shapiro.test(parsed$Kreatinin)
shapiro.test(parsed$Albumin)
shapiro.test(parsed$Trigleceridy)
shapiro.test(parsed$ALAT)
shapiro.test(parsed$CholesterinNP)
shapiro.test(parsed$Age)
# у всех p-v < 0.05 - ненормально распределены

#cor.test(parsed$Trigleceridy, parsed$TTG, method="kendall") #p-value = 0.009918
cor.test(parsed$Trigleceridy, parsed$Mochevina, method="kendall") #p-value = 1.115e-06
cor.test(parsed$Trigleceridy, parsed$Ferritin, method="kendall") #p-value = 2.626e-16
#cor.test(parsed$Trigleceridy, parsed$VitD, method="kendall") #p-value = 0.0009767
cor.test(parsed$Trigleceridy, parsed$MKislota, method="kendall") #p-value < 2.2e-16
#cor.test(parsed$Trigleceridy, parsed$B12, method="kendall") #p-value = 0.116
#cor.test(parsed$Trigleceridy, parsed$CholesterinVP, method="kendall") #p-value < 2.2e-16
cor.test(parsed$Trigleceridy, parsed$GGT, method="kendall") #p-value < 2.2e-16
cor.test(parsed$Trigleceridy, parsed$Cbelok, method="kendall") #p-value < 2.2e-16
cor.test(parsed$Trigleceridy, parsed$Kreatinin, method="kendall") #p-value = 3.853e-11
#cor.test(parsed$Trigleceridy, parsed$Albumin, method="kendall") #p-value = 0.04954
cor.test(parsed$Trigleceridy, parsed$Cholesterin, method="kendall") #p-value < 2.2e-16
#cor.test(parsed$Trigleceridy, parsed$Trigleceridy, method="kendall") #p-value < 2.2e-16
cor.test(parsed$Trigleceridy, parsed$ALAT, method="kendall") #p-value < 2.2e-16
cor.test(parsed$Trigleceridy, parsed$CholesterinNP, method="kendall") #p-value < 2.2e-16
cor.test(parsed$Trigleceridy, parsed$Age, method="kendall") #p-value < 2.2e-16

library(caret)
fitControl <- trainControl(method="repeatedcv",number=10,repeats=10)
tr1=train(parsed[,-13],parsed$Trigleceridy,method ="rpart",trControl=fitControl)
plot(tr1)

parsedTen <- data.frame(
  Trigleceridy=parsed$Trigleceridy,
  Mochevina=parsed$Mochevina,
  Ferritin=parsed$Ferritin,
  MKislota=parsed$MKislota,
  GGT=parsed$GGT,
  Cbelok = parsed$Cbelok,
  Kreatinin = parsed$Kreatinin,
  Cholesterin = parsed$Cholesterin,
  ALAT = parsed$ALAT,
  CholesterinNP = parsed$CholesterinNP,
  Age = parsed$Age
)
parsedTen

lm.t <- lm(parsedTen$Trigleceridy ~ ., data=parsedTen)
lm.t

lm.t <- lm(parsedTen$Trigleceridy ~
             parsedTen$Mochevina +
             parsedTen$Ferritin +
             parsedTen$MKislota +
             parsedTen$GGT +
             parsedTen$Cbelok +
             parsedTen$Kreatinin +
             parsedTen$Cholesterin +
             parsedTen$CholesterinNP
           , data=parsedTen)

lm.t <- lm(parsedTen$Trigleceridy ~
             parsedTen$Ferritin +
             parsedTen$MKislota +
             parsedTen$Cbelok +
             parsedTen$Kreatinin +
             parsedTen$Cholesterin +
             parsedTen$CholesterinNP
           , data=parsedTen)

lm.t <- lm(parsedTen$Trigleceridy ~
             parsedTen$Ferritin +
             parsedTen$MKislota +
             parsedTen$Cbelok +
             parsedTen$Cholesterin +
             parsedTen$CholesterinNP
           , data=parsedTen)

lm.t <- lm(parsedTen$Trigleceridy ~
             parsedTen$Ferritin +
             parsedTen$MKislota +
             parsedTen$Cbelok +
             parsedTen$Cholesterin
           , data=parsedTen) #изменить

lm.t

summary(lm.t) # 0.3124 < 1 - маленькая зависимость

library(MLmetrics)
mse <- MSE(y_pred = exp(lm.t$fitted.values), y_true = parsedTen$Trigleceridy)
RMSE(y_pred = exp(lm.t$fitted.values), y_true = parsedTen$Trigleceridy)
COOA = mean(abs(lm.t$residuals/parsedTen$Trigleceridy)) * 100
COOA

parsedOther <- data.frame(
  Trigleceridy = parsed$Trigleceridy,
  TTG=parsed$TTG,
  VitD=parsed$VitD,
  B12=parsed$B12,
  CholesterinVP=parsed$CholesterinVP,
  Albumin=parsed$Albumin
)

lm.t2 <- lm(parsedOther$Trigleceridy ~ ., data=parsedOther)
lm.t2
summary(lm.t2) # 0.08641 < 1 - маленькая зависимость
mse <- MSE(y_pred = exp(lm.t2$fitted.values), y_true = parsedOther$Trigleceridy)
mse
RMSE(y_pred = exp(lm.t2$fitted.values), y_true = parsedOther$Trigleceridy)
COOA = mean(abs(lm.t2$residuals/parsedOther$Trigleceridy)) * 100
COOA

set.seed(43423)
tr2=train(parsedTen,parsedTen$Trigleceridy,method ="nnet", trControl=fitControl)
#nnet.dataset = train(parsedTen$Trigleceridy ~ ., data = parsedTen, method ="nnet")
tr2$finalModel
plot(tr2)

library(nnet)
library(MLmetrics)
for(i in 1:10){
  nnet <- nnet(parsedTen$Trigleceridy ~ ., parsedTen, decay=0.1, size=i)
  ind <- sample(2, nrow(parsedTen), replace = TRUE, prob=c(0.7, 0.3))
  trainset = parsedTen[ind == 1,]
  testset = parsedTen[ind == 2,]

  mse <- MSE(y_pred = exp(nnet$fitted.values), y_true = parsedTen$Trigleceridy)
  mse
  RMSE <- RMSE(y_pred = exp(nnet$fitted.values), y_true = parsedTen$Trigleceridy)
  COOA = mean(abs(nnet$residuals/parsedTen$Trigleceridy)) * 100

  print(i)
  print(mse)
  print(RMSE)
  print(COOA)
}


nnet1 <- nnet(trainset$Trigleceridy ~ ., trainset, decay=0.1, size=2)
pr1 <- predict(nnet1, testset)
pr1