求解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。6.使用主成分分析法对数据进行降维，保留90%的主成分。7.使用降维后的数据创建Logistic回归模型，使用主成分分析后的测试集对结果进行预测，计算模型的准确率。8.比较4种Logistic回归模型的预测结果。

以下是解答：

1. 载入数据，显示数据的维度和后10条数据

# 假设数据文件名为data.csv
data <- read.csv("data.csv")
dim(data) # 显示数据的维度
tail(data, 10) # 显示后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

library(caTools)
set.seed(123)
spl = sample.split(data$target, SplitRatio = 0.8)
train = subset(data, spl==TRUE)
test = subset(data, spl==FALSE)
dim(train) # 显示训练集的维度
dim(test) # 显示测试集的维度

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

library(MASS)
model <- glm(target ~ ., data = train, family = binomial)
summary(model)
pred <- predict(model, newdata = test, type = "response")
threshold <- 0.5
pred_class <- ifelse(pred > threshold, 1, 0)
table(pred_class, test$target)
accuracy <- sum(diag(table(pred_class, test$target))) / sum(table(pred_class, 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 ~ ., data = train, family = binomial), direction = "backward")
summary(model)
pred <- predict(model, newdata = test, type = "response")
threshold <- 0.5
pred_class <- ifelse(pred > threshold, 1, 0)
table(pred_class, test$target)
accuracy <- sum(diag(table(pred_class, test$target))) / sum(table(pred_class, 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 ~ ., data = train, family = binomial), direction = "both")
summary(model)
pred <- predict(model, newdata = test, type = "response")
threshold <- 0.5
pred_class <- ifelse(pred > threshold, 1, 0)
table(pred_class, test$target)
accuracy <- sum(diag(table(pred_class, test$target))) / sum(table(pred_class, 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=c("center", "scale", "pca"), pcaComp = 0.9)
train_pca <- predict(preProc, train)
test_pca <- predict(preProc, test)

7. 使用降维后的数据创建Logistic回归模型，使用主成分分析后的测试集对结果进行预测，计算模型的准确率

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

8. 比较4种Logistic回归模型的预测结果

将上述步骤中的测试集预测结果存入向量中，比较4种模型的预测结果。

pred_fwd <- predict(model_fwd, newdata = test, type = "response")
pred_bwd <- predict(model_bwd, newdata = test, type = "response")
pred_step <- predict(model_step, newdata = test, type = "response")
pred_pca <- predict(model_pca, newdata = test_pca, type = "response")

compare <- data.frame(pred_fwd, pred_bwd, pred_step, pred_pca, test$target)
colnames(compare) <- c("Forward", "Backward", "Stepwise", "PCA", "Actual")
head(compare)

请注意，以上代码仅供参考，具体实现还需根据具体数据情况进行调整。