求r语言代码：1.载入数据，显示数据的维度和后10条数据.2.把数据集按照8：2的比例分成训练集和测试集，显示训练集和测试集的维度。3.使用向前引入法创建Logistic回归模型，使用测试集对结果进行预测，计算模型的准确率。4.使用向后剔除法创建Logistic回归模型，使用测试集对结果进行预测，计算模型的准确率。5.使用逐步回归法创建Logistic回归模型，使用测试集对结果进行预测，计算模型的准确率。使用主成分分析法对数据进行降维，保留90%的主成分。

以下是你需要的R语言代码：

1. 载入数据，显示数据的维度和后10条数据

data <- read.csv("data.csv")
dim(data)
tail(data, 10)

2. 把数据集按照8:2的比例分成训练集和测试集，显示训练集和测试集的维度

library(caTools)
set.seed(123)
split <- sample.split(data$target, SplitRatio = 0.8)
train <- subset(data, split == TRUE)
test <- subset(data, split == FALSE)
dim(train)
dim(test)

3. 使用向前引入法创建Logistic回归模型，使用测试集对结果进行预测，计算模型的准确率

library(MASS)
model <- glm(target ~., family = binomial, data = train)
summary(model)
pred <- predict(model, newdata = test, type = "response")
pred <- ifelse(pred > 0.5, 1, 0)
accuracy <- sum(pred == test$target) / length(test$target)
accuracy

4. 使用向后剔除法创建Logistic回归模型，使用测试集对结果进行预测，计算模型的准确率

library(MASS)
model <- stepAIC(glm(target ~., family = binomial, data = train), direction = "backward")
summary(model)
pred <- predict(model, newdata = test, type = "response")
pred <- ifelse(pred > 0.5, 1, 0)
accuracy <- sum(pred == test$target) / length(test$target)
accuracy

5. 使用逐步回归法创建Logistic回归模型，使用测试集对结果进行预测，计算模型的准确率

library(MASS)
model <- stepAIC(glm(target ~., family = binomial, data = train), direction = "both")
summary(model)
pred <- predict(model, newdata = test, type = "response")
pred <- ifelse(pred > 0.5, 1, 0)
accuracy <- sum(pred == test$target) / length(test$target)
accuracy

6. 使用主成分分析法对数据进行降维，保留90%的主成分

library(caret)
preProc <- preProcess(train, method = "pca", thresh = 0.9)
train_pca <- predict(preProc, train)
test_pca <- predict(preProc, test)