Buen aporte?excelente!! Atte. Ricardo Alva Valiente De: Jose Luis Cañadas Reche [mailto:canadasreche en gmail.com] Enviado el: miércoles, 29 de abril de 2015 12:51 PM Para: Alva Valiente, Ricardo (RIAV); 'javier.ruben.marcuzzi en gmail.com'; R-help-es en r-project.org Asunto: Re: [R-es] cantidad de datos Podrías hacer varios kmedias con diferente número de clusters y comprobar como varía la suma de cuadrados entre cluster para "elegir" el número óptimo. # Determine number of clusters wss <- (nrow(mydata)-1)*sum(apply(mydata,2,var)) for (i in 2:15) wss[i] <- sum(kmeans(mydata, centers=i)$withinss) plot(1:15, wss, type="b", xlab="Number of Clusters", ylab="Within groups sum of squares") El 29/04/15 a las 19:42, Alva Valiente, Ricardo (RIAV) escribió: El inconveniente con un K-medias, es que se tiene que se tiene que pre definir el número de segmentos, pero eso es algo con lo q no cuento. La solución de Javier me parece q sería la única opción. Atte. Ricardo Alva Valiente -----Mensaje original----- De: R-help-es [mailto:r-help-es-bounces en r-project.org] En nombre de javier.ruben.marcuzzi en gmail.com<mailto:javier.ruben.marcuzzi en gmail.com> Enviado el: miércoles, 29 de abril de 2015 12:16 PM Para: jose luis cañadas; R-help-es en r-project.org<mailto:R-help-es en r-project.org> Asunto: Re: [R-es] cantidad de datos Estimados Justo se me ocurrió una búsqueda y el resultado es parecido. http://www.r-bloggers.com/k-means-clustering-on-big-data/ Javier Marcuzzi De: jose luis cañadas Enviado el: ?miércoles?, ?29? de ?abril? de ?2015 ?02?:?10? ?p.m. Para: R-help-es en r-project.org<mailto:R-help-es en r-project.org> Hola. Yo en vez de utilizar análisis cluster que impliquen distancias, probaría con un kmedias o con un pam (partition around medoids) pero utilizando muestras, la función clara de la librería cluster puede ayudarte. Pego el details de la ayuda de 'clara' Details clara is fully described in chapter 3 of Kaufman and Rousseeuw (1990). Compared to other partitioning methods such as pam, it can deal with much larger datasets. Internally, this is achieved by considering sub-datasets of fixed size (sampsize) such that the time and storage requirements become linear in n rather than quadratic. Each sub-dataset is partitioned into k clusters using the same algorithm as in pam. Once k representative objects have been selected from the sub-dataset, each observation of the entire dataset is assigned to the nearest medoid. The mean (equivalent to the sum) of the dissimilarities of the observations to their closest medoid is used as a measure of the quality of the clustering. The sub-dataset for which the mean (or sum) is minimal, is retained. A further analysis is carried out on the final partition. Each sub-dataset is forced to contain the medoids obtained from the best sub-dataset until then. Randomly drawn observations are added to this set until sampsize has been reached. Saludos El 29/04/15 a las 19:06, Carlos J. Gil Bellosta escribió: Hola, ¿qué tal? 291GB viene a ser 280 * 280 * 1e6 * 8 / 2^30 / 2 que es el número de GB necesarios para almacenar la matriz de distancias entre 280k sujetos. Hay que buscar una alternativa que no implique precalcular esa enormidad. Un saludo, Carlos J. Gil Bellosta http://www.datanalytics.com El día 29 de abril de 2015, 18:20, <javier.ruben.marcuzzi en gmail.com><mailto:javier.ruben.marcuzzi en gmail.com> escribió: Estimados Creo que se puede presentar un problema con el sistema operativo, al ser de 32 bit si no recuerdo mal soporta hasta 4 GB, aunque no estoy del todo seguro. Los 292 GB que informa Carlos son una enormidad, esos requerimientos son complicados. ¿Qué posibilidad hay de trabajar con memoria virtual en windows? Aunque me parece que no sería optimo, prefiero intentar en Linux y R. Su sistema es de 32 bit, pero ¿la computadora?, ¿ambos son 32?, ¿el i5 no es de 64 bit?. Posiblemente tenga la opción de usar un sistema operativo de 64 bit, como también de poder comprar más memoria (siempre en 64 bit), aunque me asustan los 292 GB que informa Carlos. Javier Marcuzzi De: Carlos Ortega Enviado el: ?miércoles?, ?29? de ?abril? de ?2015 ?12?:?49? ?p.m. Para: Alva Valiente, Ricardo (RIAV) CC: R-help-es en r-project.org<mailto:R-help-es en r-project.org> No sé si va a ser suficiente.... Acabo de correr un ejemplo equivalente: # Example mydat <- matrix(rnorm(280000*20), ncol=20) hc <- hclust(dist(mydat), "ave") plot(hc) plot(hc, hang = -1) sobre "Azure Machine Learning" y ... Saludos, Carlos Ortega www.qualityexcellence.es<http://www.qualityexcellence.es> El 29 de abril de 2015, 17:45, Alva Valiente, Ricardo (RIAV) <riav en cajatrujillo.com.pe><mailto:riav en cajatrujillo.com.pe> escribió: Bueno mi máquina es: HP Windows 7 Procesador Core I5 de 2.5 GHz 4 GB de Ram (2.94 GB utilizables) Sistema operativo de 32 bits Versión de R, 3.2.0 Atte. Ricardo Alva Valiente Analista de Control Preventivo Unidad de Prevención Of. Recuperaciones ? CC Boulevard Chiclayo '(074) 232740 RPC 978194441 RPM *157793 *riav en cajatrujillo.com.pe<mailto:*riav en cajatrujillo.com.pe> www.cajatrujillo.com.pe<http://www.cajatrujillo.com.pe> De: Carlos Ortega [mailto:cof en qualityexcellence.es] Enviado el: miércoles, 29 de abril de 2015 10:39 AM Para: Alva Valiente, Ricardo (RIAV) CC: r-help-es en r-project.org<mailto:r-help-es en r-project.org> Asunto: Re: [R-es] cantidad de datos Hola, La matriz que vas a procesar será de alrededor de 45 Mb. No creo que tengas problemas para cargar este conjunto de datos a tu entorno. El problema puede aparecer en generar el objeto clúster y esto dependerá de la RAM que tengas disponible. Pásanos el detalle de la máquina que utilizarías y la versión de R que usas. He simulado tu conjunto y he tenido problemas a la hora de generar el clúster. Mi máquina es un MacBook, de 8Gb. Saludos, Carlos Ortega. El 29 de abril de 2015, 16:25, Alva Valiente, Ricardo (RIAV) <riav en cajatrujillo.com.pe><mailto:riav en cajatrujillo.com.pe> escribió: Estimados dos consultas. -Debo de trabajar con 280,000.00 casos y 20 variables. Quisiera saber si el programa soporta sin ningún inconveniente análisis cluster y discriminantes, así como análisis uni variados y bi variados. -Cuando se grafica un dendograma como puedo hacer para que todas las líneas de los casos, partan desde el X, porque cuando se genera se visualiza bien desordenado (unas líneas comienzan mas arriba que otras). También como hacer para que los nombres de los casos aparezcan en vertical y no en horizontal; y si es posible el gráfico también. Muchas gracias de antemano. Atte. Ricardo Alva Valiente "Aviso Legal: La información de este correo electrónico, así como de sus archivos adjuntos, es confidencial y está dirigida exclusivamente a él o los destinatarios. Si Usted ha recibido este correo por error, por favor avísenos inmediatamente por este medio y elimínelo de su sistema. Se encuentra prohibido cualquier uso, reproducción, divulgación o distribución por otras personas distintas de él o los destinatarios. Cualquier opinión emitida en este correo electrónico es propia del autor o remitente y no representa necesariamente la opinión de la Caja Trujillo. A pesar de esfuerzos razonables en el control de virus y programas maliciosos, la Caja Trujillo no puede asegurar que éstos no se encuentren en este correo por causas ajenas a su control, por lo que usted debe analizar este correo y sus archivos adjuntos antes de abrirlos. Caja Municipal de Ahorro y Crédito de Trujillo www.cajatrujillo.com.pe<http://www.cajatrujillo.com.pe> " _______________________________________________ R-help-es mailing list R-help-es en r-project.org<mailto:R-help-es en r-project.org> https://stat.ethz.ch/mailman/listinfo/r-help-es -- Saludos, Carlos Ortega www.qualityexcellence.es<http://www.qualityexcellence.es> "Aviso Legal: La información de este correo electrónico, así como de sus archivos adjuntos, es confidencial y está dirigida exclusivamente a él o los destinatarios. Si Usted ha recibido este correo por error, por favor avísenos inmediatamente por este medio y elimínelo de su sistema. Se encuentra prohibido cualquier uso, reproducción, divulgación o distribución por otras personas distintas de él o los destinatarios. Cualquier opinión emitida en este correo electrónico es propia del autor o remitente y no representa necesariamente la opinión de la Caja Trujillo. A pesar de esfuerzos razonables en el control de virus y programas maliciosos, la Caja Trujillo no puede asegurar que éstos no se encuentren en este correo por causas ajenas a su control, por lo que usted debe analizar este correo y sus archivos adjuntos antes de abrirlos. Caja Municipal de Ahorro y Crédito de Trujillo www.cajatrujillo.com.pe<http://www.cajatrujillo.com.pe> " -- Saludos, Carlos Ortega www.qualityexcellence.es<http://www.qualityexcellence.es> _______________________________________________ R-help-es mailing list R-help-es en r-project.org<mailto:R-help-es en r-project.org> https://stat.ethz.ch/mailman/listinfo/r-help-es _______________________________________________ R-help-es mailing list R-help-es en r-project.org<mailto:R-help-es en r-project.org> https://stat.ethz.ch/mailman/listinfo/r-help-es _______________________________________________ R-help-es mailing list R-help-es en r-project.org<mailto:R-help-es en r-project.org> https://stat.ethz.ch/mailman/listinfo/r-help-es [[alternative HTML version deleted]] _______________________________________________ R-help-es mailing list R-help-es en r-project.org<mailto:R-help-es en r-project.org> https://stat.ethz.ch/mailman/listinfo/r-help-es "Aviso Legal: La información de este correo electrónico, así como de sus archivos adjuntos, es confidencial y está dirigida exclusivamente a él o los destinatarios. Si Usted ha recibido este correo por error, por favor avísenos inmediatamente por este medio y elimínelo de su sistema. Se encuentra prohibido cualquier uso, reproducción, divulgación o distribución por otras personas distintas de él o los destinatarios. Cualquier opinión emitida en este correo electrónico es propia del autor o remitente y no representa necesariamente la opinión de la Caja Trujillo. A pesar de esfuerzos razonables en el control de virus y programas maliciosos, la Caja Trujillo no puede asegurar que éstos no se encuentren en este correo por causas ajenas a su control, por lo que usted debe analizar este correo y sus archivos adjuntos antes de abrirlos. Caja Municipal de Ahorro y Crédito de Trujillo www.cajatru<http://www.cajatrujillo.com.pe> jillo.com<http://www.cajatrujillo.com.pe> .pe<http://www.cajatrujillo.com.pe> " "Aviso Legal: La información de este correo electrónico, así como de sus archivos adjuntos, es confidencial y está dirigida exclusivamente a él o los destinatarios. Si Usted ha recibido este correo por error, por favor avísenos inmediatamente por este medio y elimínelo de su sistema. Se encuentra prohibido cualquier uso, reproducción, divulgación o distribución por otras personas distintas de él o los destinatarios. Cualquier opinión emitida en este correo electrónico es propia del autor o remitente y no representa necesariamente la opinión de la Caja Trujillo. A pesar de esfuerzos razonables en el control de virus y programas maliciosos, la Caja Trujillo no puede asegurar que éstos no se encuentren en este correo por causas ajenas a su control, por lo que usted debe analizar este correo y sus archivos adjuntos antes de abrirlos. Caja Municipal de Ahorro y Crédito de Trujillo www.cajatrujillo.com.pe " [[alternative HTML version deleted]]
Otra alternativa para determinar el númbero de clústers... *NbClust: An R Package for Determining the Relevant Number of Clusters in a Data Set* http://www.jstatsoft.org/v61/i06 Saludos, Carlos Ortega www.qualityexcellence.es El 29 de abril de 2015, 19:56, Alva Valiente, Ricardo (RIAV) < riav en cajatrujillo.com.pe> escribió:> Buen aporte?excelente!! > > Atte. > Ricardo Alva Valiente > > > De: Jose Luis Cañadas Reche [mailto:canadasreche en gmail.com] > Enviado el: miércoles, 29 de abril de 2015 12:51 PM > Para: Alva Valiente, Ricardo (RIAV); 'javier.ruben.marcuzzi en gmail.com'; > R-help-es en r-project.org > Asunto: Re: [R-es] cantidad de datos > > Podrías hacer varios kmedias con diferente número de clusters y comprobar > como varía la suma de cuadrados entre cluster para "elegir" el número > óptimo. > > # Determine number of clusters > wss <- (nrow(mydata)-1)*sum(apply(mydata,2,var)) > for (i in 2:15) wss[i] <- sum(kmeans(mydata, > centers=i)$withinss) > plot(1:15, wss, type="b", xlab="Number of Clusters", > ylab="Within groups sum of squares") > El 29/04/15 a las 19:42, Alva Valiente, Ricardo (RIAV) escribió: > > El inconveniente con un K-medias, es que se tiene que se tiene que pre > definir el número de segmentos, pero eso es algo con lo q no cuento. La > solución de Javier me parece q sería la única opción. > > > > Atte. > > Ricardo Alva Valiente > > > > -----Mensaje original----- > > De: R-help-es [mailto:r-help-es-bounces en r-project.org] En nombre de > javier.ruben.marcuzzi en gmail.com<mailto:javier.ruben.marcuzzi en gmail.com> > > Enviado el: miércoles, 29 de abril de 2015 12:16 PM > > Para: jose luis cañadas; R-help-es en r-project.org<mailto: > R-help-es en r-project.org> > > Asunto: Re: [R-es] cantidad de datos > > > > Estimados > > > > > > Justo se me ocurrió una búsqueda y el resultado es parecido. > > > > http://www.r-bloggers.com/k-means-clustering-on-big-data/ > > > > Javier Marcuzzi > > > > De: jose luis cañadas > > Enviado el: ?miércoles?, ?29? de ?abril? de ?2015 ?02?:?10? ?p.m. > > Para: R-help-es en r-project.org<mailto:R-help-es en r-project.org> > > > > > > Hola. > > Yo en vez de utilizar análisis cluster que impliquen distancias, probaría > con un kmedias o con un pam (partition around medoids) pero utilizando > muestras, la función clara de la librería cluster puede ayudarte. Pego el > details de la ayuda de 'clara' > > > > Details > > > > clara is fully described in chapter 3 of Kaufman and Rousseeuw (1990). > > Compared to other partitioning methods such as pam, it can deal with much > larger datasets. Internally, this is achieved by considering sub-datasets > of fixed size (sampsize) such that the time and storage requirements become > linear in n rather than quadratic. > > > > Each sub-dataset is partitioned into k clusters using the same algorithm > as in pam. > > Once k representative objects have been selected from the sub-dataset, > each observation of the entire dataset is assigned to the nearest medoid. > > > > The mean (equivalent to the sum) of the dissimilarities of the > observations to their closest medoid is used as a measure of the quality of > the clustering. The sub-dataset for which the mean (or sum) is minimal, is > retained. A further analysis is carried out on the final partition. > > > > Each sub-dataset is forced to contain the medoids obtained from the best > sub-dataset until then. Randomly drawn observations are added to this set > until sampsize has been reached. > > > > Saludos > > > > El 29/04/15 a las 19:06, Carlos J. Gil Bellosta escribió: > > Hola, ¿qué tal? > > > > 291GB viene a ser > > > > 280 * 280 * 1e6 * 8 / 2^30 / 2 > > > > que es el número de GB necesarios para almacenar la matriz de > > distancias entre 280k sujetos. > > > > Hay que buscar una alternativa que no implique precalcular esa enormidad. > > > > Un saludo, > > > > Carlos J. Gil Bellosta > > http://www.datanalytics.com > > > > > > > > > > > > El día 29 de abril de 2015, 18:20, <javier.ruben.marcuzzi en gmail.com > ><mailto:javier.ruben.marcuzzi en gmail.com> escribió: > > Estimados > > > > Creo que se puede presentar un problema con el sistema operativo, al > > ser de > > 32 bit si no recuerdo mal soporta hasta 4 GB, aunque no estoy del > > todo seguro. > > > > Los 292 GB que informa Carlos son una enormidad, esos requerimientos > > son complicados. > > > > ¿Qué posibilidad hay de trabajar con memoria virtual en windows? > > Aunque me parece que no sería optimo, prefiero intentar en Linux y R. > > > > Su sistema es de 32 bit, pero ¿la computadora?, ¿ambos son 32?, ¿el > > i5 no es de 64 bit?. Posiblemente tenga la opción de usar un sistema > > operativo de 64 bit, como también de poder comprar más memoria > > (siempre en 64 bit), aunque me asustan los 292 GB que informa Carlos. > > > > Javier Marcuzzi > > > > De: Carlos Ortega > > Enviado el: ?miércoles?, ?29? de ?abril? de ?2015 ?12?:?49? ?p.m. > > Para: Alva Valiente, Ricardo (RIAV) > > CC: R-help-es en r-project.org<mailto:R-help-es en r-project.org> > > > > No sé si va a ser suficiente.... > > Acabo de correr un ejemplo equivalente: > > > > # Example > > mydat <- matrix(rnorm(280000*20), ncol=20) hc <- hclust(dist(mydat), > > "ave") > > plot(hc) > > plot(hc, hang = -1) > > > > sobre "Azure Machine Learning" y ... > > > > > > > > Saludos, > > Carlos Ortega > > www.qualityexcellence.es<http://www.qualityexcellence.es> > > > > El 29 de abril de 2015, 17:45, Alva Valiente, Ricardo (RIAV) > > <riav en cajatrujillo.com.pe><mailto:riav en cajatrujillo.com.pe> escribió: > > Bueno mi máquina es: > > > > HP > > > > Windows 7 > > > > Procesador Core I5 de 2.5 GHz > > > > 4 GB de Ram (2.94 GB utilizables) > > > > Sistema operativo de 32 bits > > > > Versión de R, 3.2.0 > > > > > > > > > > > > Atte. > > > > Ricardo Alva Valiente > > > > Analista de Control Preventivo > > > > Unidad de Prevención > > > > Of. Recuperaciones ? CC Boulevard Chiclayo > > > > '(074) 232740 > > > > RPC 978194441 RPM *157793 > > > > *riav en cajatrujillo.com.pe<mailto:*riav en cajatrujillo.com.pe> > > > > www.cajatrujillo.com.pe<http://www.cajatrujillo.com.pe> > > > > > > > > > > > > De: Carlos Ortega [mailto:cof en qualityexcellence.es] Enviado el: > > miércoles, 29 de abril de 2015 10:39 AM > > Para: Alva Valiente, Ricardo (RIAV) > > CC: r-help-es en r-project.org<mailto:r-help-es en r-project.org> > > Asunto: Re: [R-es] cantidad de datos > > > > > > > > Hola, > > > > La matriz que vas a procesar será de alrededor de 45 Mb. No creo que > > tengas problemas para cargar este conjunto de datos a tu entorno. > > > > El problema puede aparecer en generar el objeto clúster y esto > > dependerá de la RAM que tengas disponible. > > > > Pásanos el detalle de la máquina que utilizarías y la versión de R > > que usas. > > > > > > He simulado tu conjunto y he tenido problemas a la hora de generar > > el clúster. Mi máquina es un MacBook, de 8Gb. > > > > > > > > Saludos, > > > > Carlos Ortega. > > > > > > > > El 29 de abril de 2015, 16:25, Alva Valiente, Ricardo (RIAV) > > <riav en cajatrujillo.com.pe><mailto:riav en cajatrujillo.com.pe> escribió: > > > > Estimados dos consultas. > > -Debo de trabajar con 280,000.00 casos y 20 variables. Quisiera > > saber si el programa soporta sin ningún inconveniente análisis > > cluster y discriminantes, así como análisis uni variados y bi variados. > > -Cuando se grafica un dendograma como puedo hacer para que todas las > > líneas de los casos, partan desde el X, porque cuando se genera se > > visualiza bien desordenado (unas líneas comienzan mas arriba que > > otras). También como hacer para que los nombres de los casos > > aparezcan en vertical y no en horizontal; y si es posible el gráfico > también. > > > > Muchas gracias de antemano. > > > > Atte. > > Ricardo Alva Valiente > > > > "Aviso Legal: La información de este correo electrónico, así como de > > sus archivos adjuntos, es confidencial y está dirigida > > exclusivamente a él o los destinatarios. Si Usted ha recibido este > > correo por error, por favor avísenos inmediatamente por este medio y > > elimínelo de su sistema. Se encuentra prohibido cualquier uso, > > reproducción, divulgación o distribución por otras personas > > distintas de él o los destinatarios. Cualquier opinión emitida en > > este correo electrónico es propia del autor o remitente y no > > representa necesariamente la opinión de la Caja Trujillo. A pesar de > > esfuerzos razonables en el control de virus y programas maliciosos, > > la Caja Trujillo no puede asegurar que éstos no se encuentren en > > este correo por causas ajenas a su control, por lo que usted debe > > analizar este correo y sus archivos adjuntos antes de abrirlos. Caja > Municipal de Ahorro y Crédito de Trujillo www.cajatrujillo.com.pe< > http://www.cajatrujillo.com.pe> " > > > > _______________________________________________ > > R-help-es mailing list > > R-help-es en r-project.org<mailto:R-help-es en r-project.org> > > https://stat.ethz.ch/mailman/listinfo/r-help-es > > > > > > > > > > -- > > > > Saludos, > > Carlos Ortega > > www.qualityexcellence.es<http://www.qualityexcellence.es> > > > > "Aviso Legal: La información de este correo electrónico, así como de > > sus archivos adjuntos, es confidencial y está dirigida > > exclusivamente a él o los destinatarios. Si Usted ha recibido este > > correo por error, por favor avísenos inmediatamente por este medio y > > elimínelo de su sistema. Se encuentra prohibido cualquier uso, > > reproducción, divulgación o distribución por otras personas > > distintas de él o los destinatarios. Cualquier opinión emitida en > > este correo electrónico es propia del autor o remitente y no > > representa necesariamente la opinión de la Caja Trujillo. A pesar de > > esfuerzos razonables en el control de virus y programas maliciosos, > > la Caja Trujillo no puede asegurar que éstos no se encuentren en > > este correo por causas ajenas a su control, por lo que usted debe > > analizar este correo y sus archivos adjuntos antes de abrirlos. Caja > Municipal de Ahorro y Crédito de Trujillo www.cajatrujillo.com.pe< > http://www.cajatrujillo.com.pe> " > > > > > > > > -- > > Saludos, > > Carlos Ortega > > www.qualityexcellence.es<http://www.qualityexcellence.es> > > > > _______________________________________________ > > R-help-es mailing list > > R-help-es en r-project.org<mailto:R-help-es en r-project.org> > > https://stat.ethz.ch/mailman/listinfo/r-help-es > > > > _______________________________________________ > > R-help-es mailing list > > R-help-es en r-project.org<mailto:R-help-es en r-project.org> > > https://stat.ethz.ch/mailman/listinfo/r-help-es > > > > _______________________________________________ > > R-help-es mailing list > > R-help-es en r-project.org<mailto:R-help-es en r-project.org> > > https://stat.ethz.ch/mailman/listinfo/r-help-es > > [[alternative HTML version deleted]] > > > > _______________________________________________ > > R-help-es mailing list > > R-help-es en r-project.org<mailto:R-help-es en r-project.org> > > https://stat.ethz.ch/mailman/listinfo/r-help-es > > "Aviso Legal: La información de este correo electrónico, así como de sus > archivos adjuntos, es confidencial y está dirigida exclusivamente a él o > los destinatarios. Si Usted ha recibido este correo por error, por favor > avísenos inmediatamente por este medio y elimínelo de su sistema. Se > encuentra prohibido cualquier uso, reproducción, divulgación o distribución > por otras personas distintas de él o los destinatarios. Cualquier opinión > emitida en este correo electrónico es propia del autor o remitente y no > representa necesariamente la opinión de la Caja Trujillo. A pesar de > esfuerzos razonables en el control de virus y programas maliciosos, la Caja > Trujillo no puede asegurar que éstos no se encuentren en este correo por > causas ajenas a su control, por lo que usted debe analizar este correo y > sus archivos adjuntos antes de abrirlos. Caja Municipal de Ahorro y Crédito > de Trujillo www.cajatru<http://www.cajatrujillo.com.pe> > > jillo.com<http://www.cajatrujillo.com.pe> > > .pe<http://www.cajatrujillo.com.pe> " > > "Aviso Legal: La información de este correo electrónico, así como de sus > archivos adjuntos, es confidencial y está dirigida exclusivamente a él o > los destinatarios. Si Usted ha recibido este correo por error, por favor > avísenos inmediatamente por este medio y elimínelo de su sistema. Se > encuentra prohibido cualquier uso, reproducción, divulgación o distribución > por otras personas distintas de él o los destinatarios. Cualquier opinión > emitida en este correo electrónico es propia del autor o remitente y no > representa necesariamente la opinión de la Caja Trujillo. A pesar de > esfuerzos razonables en el control de virus y programas maliciosos, la Caja > Trujillo no puede asegurar que éstos no se encuentren en este correo por > causas ajenas a su control, por lo que usted debe analizar este correo y > sus archivos adjuntos antes de abrirlos. Caja Municipal de Ahorro y Crédito > de Trujillo www.cajatrujillo.com.pe " > > [[alternative HTML version deleted]] > > _______________________________________________ > R-help-es mailing list > R-help-es en r-project.org > https://stat.ethz.ch/mailman/listinfo/r-help-es >-- Saludos, Carlos Ortega www.qualityexcellence.es [[alternative HTML version deleted]]
Interesante artículo?. Atte. Ricardo Alva Valiente De: Carlos Ortega [mailto:cof en qualityexcellence.es] Enviado el: miércoles, 29 de abril de 2015 03:22 PM Para: Alva Valiente, Ricardo (RIAV) CC: Jose Luis Cañadas Reche; R-help-es en r-project.org Asunto: Re: [R-es] cantidad de datos Otra alternativa para determinar el númbero de clústers... NbClust: An R Package for Determining the Relevant Number of Clusters in a Data Set http://www.jstatsoft.org/v61/i06 Saludos, Carlos Ortega www.qualityexcellence.es<http://www.qualityexcellence.es> El 29 de abril de 2015, 19:56, Alva Valiente, Ricardo (RIAV) <riav en cajatrujillo.com.pe<mailto:riav en cajatrujillo.com.pe>> escribió: Buen aporte?excelente!! Atte. Ricardo Alva Valiente De: Jose Luis Cañadas Reche [mailto:canadasreche en gmail.com<mailto:canadasreche en gmail.com>] Enviado el: miércoles, 29 de abril de 2015 12:51 PM Para: Alva Valiente, Ricardo (RIAV); 'javier.ruben.marcuzzi en gmail.com<mailto:javier.ruben.marcuzzi en gmail.com>'; R-help-es en r-project.org<mailto:R-help-es en r-project.org> Asunto: Re: [R-es] cantidad de datos Podrías hacer varios kmedias con diferente número de clusters y comprobar como varía la suma de cuadrados entre cluster para "elegir" el número óptimo. # Determine number of clusters wss <- (nrow(mydata)-1)*sum(apply(mydata,2,var)) for (i in 2:15) wss[i] <- sum(kmeans(mydata, centers=i)$withinss) plot(1:15, wss, type="b", xlab="Number of Clusters", ylab="Within groups sum of squares") El 29/04/15 a las 19:42, Alva Valiente, Ricardo (RIAV) escribió: El inconveniente con un K-medias, es que se tiene que se tiene que pre definir el número de segmentos, pero eso es algo con lo q no cuento. La solución de Javier me parece q sería la única opción. Atte. Ricardo Alva Valiente -----Mensaje original----- De: R-help-es [mailto:r-help-es-bounces en r-project.org<mailto:r-help-es-bounces en r-project.org>] En nombre de javier.ruben.marcuzzi en gmail.com<mailto:javier.ruben.marcuzzi en gmail.com><mailto:javier.ruben.marcuzzi en gmail.com<mailto:javier.ruben.marcuzzi en gmail.com>> Enviado el: miércoles, 29 de abril de 2015 12:16 PM Para: jose luis cañadas; R-help-es en r-project.org<mailto:R-help-es en r-project.org><mailto:R-help-es en r-project.org<mailto:R-help-es en r-project.org>> Asunto: Re: [R-es] cantidad de datos Estimados Justo se me ocurrió una búsqueda y el resultado es parecido. http://www.r-bloggers.com/k-means-clustering-on-big-data/ Javier Marcuzzi De: jose luis cañadas Enviado el: ?miércoles?, ?29? de ?abril? de ?2015 ?02?:?10? ?p.m. Para: R-help-es en r-project.org<mailto:R-help-es en r-project.org><mailto:R-help-es en r-project.org<mailto:R-help-es en r-project.org>> Hola. Yo en vez de utilizar análisis cluster que impliquen distancias, probaría con un kmedias o con un pam (partition around medoids) pero utilizando muestras, la función clara de la librería cluster puede ayudarte. Pego el details de la ayuda de 'clara' Details clara is fully described in chapter 3 of Kaufman and Rousseeuw (1990). Compared to other partitioning methods such as pam, it can deal with much larger datasets. Internally, this is achieved by considering sub-datasets of fixed size (sampsize) such that the time and storage requirements become linear in n rather than quadratic. Each sub-dataset is partitioned into k clusters using the same algorithm as in pam. Once k representative objects have been selected from the sub-dataset, each observation of the entire dataset is assigned to the nearest medoid. The mean (equivalent to the sum) of the dissimilarities of the observations to their closest medoid is used as a measure of the quality of the clustering. The sub-dataset for which the mean (or sum) is minimal, is retained. A further analysis is carried out on the final partition. Each sub-dataset is forced to contain the medoids obtained from the best sub-dataset until then. Randomly drawn observations are added to this set until sampsize has been reached. Saludos El 29/04/15 a las 19:06, Carlos J. Gil Bellosta escribió: Hola, ¿qué tal? 291GB viene a ser 280 * 280 * 1e6 * 8 / 2^30 / 2 que es el número de GB necesarios para almacenar la matriz de distancias entre 280k sujetos. Hay que buscar una alternativa que no implique precalcular esa enormidad. Un saludo, Carlos J. Gil Bellosta http://www.datanalytics.com El día 29 de abril de 2015, 18:20, <javier.ruben.marcuzzi en gmail.com<mailto:javier.ruben.marcuzzi en gmail.com>><mailto:javier.ruben.marcuzzi en gmail.com<mailto:javier.ruben.marcuzzi en gmail.com>> escribió: Estimados Creo que se puede presentar un problema con el sistema operativo, al ser de 32 bit si no recuerdo mal soporta hasta 4 GB, aunque no estoy del todo seguro. Los 292 GB que informa Carlos son una enormidad, esos requerimientos son complicados. ¿Qué posibilidad hay de trabajar con memoria virtual en windows? Aunque me parece que no sería optimo, prefiero intentar en Linux y R. Su sistema es de 32 bit, pero ¿la computadora?, ¿ambos son 32?, ¿el i5 no es de 64 bit?. Posiblemente tenga la opción de usar un sistema operativo de 64 bit, como también de poder comprar más memoria (siempre en 64 bit), aunque me asustan los 292 GB que informa Carlos. Javier Marcuzzi De: Carlos Ortega Enviado el: ?miércoles?, ?29? de ?abril? de ?2015 ?12?:?49? ?p.m. Para: Alva Valiente, Ricardo (RIAV) CC: R-help-es en r-project.org<mailto:R-help-es en r-project.org><mailto:R-help-es en r-project.org<mailto:R-help-es en r-project.org>> No sé si va a ser suficiente.... Acabo de correr un ejemplo equivalente: # Example mydat <- matrix(rnorm(280000*20), ncol=20) hc <- hclust(dist(mydat), "ave") plot(hc) plot(hc, hang = -1) sobre "Azure Machine Learning" y ... Saludos, Carlos Ortega www.qualityexcellence.es<http://www.qualityexcellence.es><http://www.qualityexcellence.es> El 29 de abril de 2015, 17:45, Alva Valiente, Ricardo (RIAV) <riav en cajatrujillo.com.pe<mailto:riav en cajatrujillo.com.pe>><mailto:riav en cajatrujillo.com.pe<mailto:riav en cajatrujillo.com.pe>> escribió: Bueno mi máquina es: HP Windows 7 Procesador Core I5 de 2.5 GHz 4 GB de Ram (2.94 GB utilizables) Sistema operativo de 32 bits Versión de R, 3.2.0 Atte. Ricardo Alva Valiente Analista de Control Preventivo Unidad de Prevención Of. Recuperaciones ? CC Boulevard Chiclayo '(074) 232740 RPC 978194441 RPM *157793 *riav en cajatrujillo.com.pe<mailto:riav en cajatrujillo.com.pe><mailto:*riav en cajatrujillo.com.pe<mailto:riav en cajatrujillo.com.pe>> www.cajatrujillo.com.pe<http://www.cajatrujillo.com.pe><http://www.cajatrujillo.com.pe> De: Carlos Ortega [mailto:cof en qualityexcellence.es<mailto:cof en qualityexcellence.es>] Enviado el: miércoles, 29 de abril de 2015 10:39 AM Para: Alva Valiente, Ricardo (RIAV) CC: r-help-es en r-project.org<mailto:r-help-es en r-project.org><mailto:r-help-es en r-project.org<mailto:r-help-es en r-project.org>> Asunto: Re: [R-es] cantidad de datos Hola, La matriz que vas a procesar será de alrededor de 45 Mb. No creo que tengas problemas para cargar este conjunto de datos a tu entorno. El problema puede aparecer en generar el objeto clúster y esto dependerá de la RAM que tengas disponible. Pásanos el detalle de la máquina que utilizarías y la versión de R que usas. He simulado tu conjunto y he tenido problemas a la hora de generar el clúster. Mi máquina es un MacBook, de 8Gb. Saludos, Carlos Ortega. El 29 de abril de 2015, 16:25, Alva Valiente, Ricardo (RIAV) <riav en cajatrujillo.com.pe<mailto:riav en cajatrujillo.com.pe>><mailto:riav en cajatrujillo.com.pe<mailto:riav en cajatrujillo.com.pe>> escribió: Estimados dos consultas. -Debo de trabajar con 280,000.00 casos y 20 variables. Quisiera saber si el programa soporta sin ningún inconveniente análisis cluster y discriminantes, así como análisis uni variados y bi variados. -Cuando se grafica un dendograma como puedo hacer para que todas las líneas de los casos, partan desde el X, porque cuando se genera se visualiza bien desordenado (unas líneas comienzan mas arriba que otras). También como hacer para que los nombres de los casos aparezcan en vertical y no en horizontal; y si es posible el gráfico también. Muchas gracias de antemano. Atte. Ricardo Alva Valiente "Aviso Legal: La información de este correo electrónico, así como de sus archivos adjuntos, es confidencial y está dirigida exclusivamente a él o los destinatarios. Si Usted ha recibido este correo por error, por favor avísenos inmediatamente por este medio y elimínelo de su sistema. Se encuentra prohibido cualquier uso, reproducción, divulgación o distribución por otras personas distintas de él o los destinatarios. Cualquier opinión emitida en este correo electrónico es propia del autor o remitente y no representa necesariamente la opinión de la Caja Trujillo. A pesar de esfuerzos razonables en el control de virus y programas maliciosos, la Caja Trujillo no puede asegurar que éstos no se encuentren en este correo por causas ajenas a su control, por lo que usted debe analizar este correo y sus archivos adjuntos antes de abrirlos. Caja Municipal de Ahorro y Crédito de Trujillo www.cajatrujillo.com.pe<http://www.cajatrujillo.com.pe><http://www.cajatrujillo.com.pe> " _______________________________________________ R-help-es mailing list R-help-es en r-project.org<mailto:R-help-es en r-project.org><mailto:R-help-es en r-project.org<mailto:R-help-es en r-project.org>> https://stat.ethz.ch/mailman/listinfo/r-help-es -- Saludos, Carlos Ortega www.qualityexcellence.es<http://www.qualityexcellence.es><http://www.qualityexcellence.es> "Aviso Legal: La información de este correo electrónico, así como de sus archivos adjuntos, es confidencial y está dirigida exclusivamente a él o los destinatarios. Si Usted ha recibido este correo por error, por favor avísenos inmediatamente por este medio y elimínelo de su sistema. Se encuentra prohibido cualquier uso, reproducción, divulgación o distribución por otras personas distintas de él o los destinatarios. Cualquier opinión emitida en este correo electrónico es propia del autor o remitente y no representa necesariamente la opinión de la Caja Trujillo. A pesar de esfuerzos razonables en el control de virus y programas maliciosos, la Caja Trujillo no puede asegurar que éstos no se encuentren en este correo por causas ajenas a su control, por lo que usted debe analizar este correo y sus archivos adjuntos antes de abrirlos. Caja Municipal de Ahorro y Crédito de Trujillo www.cajatrujillo.com.pe<http://www.cajatrujillo.com.pe><http://www.cajatrujillo.com.pe> " -- Saludos, Carlos Ortega www.qualityexcellence.es<http://www.qualityexcellence.es><http://www.qualityexcellence.es> _______________________________________________ R-help-es mailing list R-help-es en r-project.org<mailto:R-help-es en r-project.org><mailto:R-help-es en r-project.org<mailto:R-help-es en r-project.org>> https://stat.ethz.ch/mailman/listinfo/r-help-es _______________________________________________ R-help-es mailing list R-help-es en r-project.org<mailto:R-help-es en r-project.org><mailto:R-help-es en r-project.org<mailto:R-help-es en r-project.org>> https://stat.ethz.ch/mailman/listinfo/r-help-es _______________________________________________ R-help-es mailing list R-help-es en r-project.org<mailto:R-help-es en r-project.org><mailto:R-help-es en r-project.org<mailto:R-help-es en r-project.org>> https://stat.ethz.ch/mailman/listinfo/r-help-es [[alternative HTML version deleted]] _______________________________________________ R-help-es mailing list R-help-es en r-project.org<mailto:R-help-es en r-project.org><mailto:R-help-es en r-project.org<mailto:R-help-es en r-project.org>> https://stat.ethz.ch/mailman/listinfo/r-help-es "Aviso Legal: La información de este correo electrónico, así como de sus archivos adjuntos, es confidencial y está dirigida exclusivamente a él o los destinatarios. Si Usted ha recibido este correo por error, por favor avísenos inmediatamente por este medio y elimínelo de su sistema. Se encuentra prohibido cualquier uso, reproducción, divulgación o distribución por otras personas distintas de él o los destinatarios. Cualquier opinión emitida en este correo electrónico es propia del autor o remitente y no representa necesariamente la opinión de la Caja Trujillo. A pesar de esfuerzos razonables en el control de virus y programas maliciosos, la Caja Trujillo no puede asegurar que éstos no se encuentren en este correo por causas ajenas a su control, por lo que usted debe analizar este correo y sus archivos adjuntos antes de abrirlos. Caja Municipal de Ahorro y Crédito de Trujillo www.cajatru<http://www.cajatrujillo.com.pe> jillo.com<http://jillo.com><http://www.cajatrujillo.com.pe> .pe<http://www.cajatrujillo.com.pe> " "Aviso Legal: La información de este correo electrónico, así como de sus archivos adjuntos, es confidencial y está dirigida exclusivamente a él o los destinatarios. Si Usted ha recibido este correo por error, por favor avísenos inmediatamente por este medio y elimínelo de su sistema. Se encuentra prohibido cualquier uso, reproducción, divulgación o distribución por otras personas distintas de él o los destinatarios. Cualquier opinión emitida en este correo electrónico es propia del autor o remitente y no representa necesariamente la opinión de la Caja Trujillo. A pesar de esfuerzos razonables en el control de virus y programas maliciosos, la Caja Trujillo no puede asegurar que éstos no se encuentren en este correo por causas ajenas a su control, por lo que usted debe analizar este correo y sus archivos adjuntos antes de abrirlos. Caja Municipal de Ahorro y Crédito de Trujillo www.cajatrujillo.com.pe<http://www.cajatrujillo.com.pe> " [[alternative HTML version deleted]] _______________________________________________ R-help-es mailing list R-help-es en r-project.org<mailto:R-help-es en r-project.org> https://stat.ethz.ch/mailman/listinfo/r-help-es -- Saludos, Carlos Ortega www.qualityexcellence.es<http://www.qualityexcellence.es> "Aviso Legal: La información de este correo electrónico, así como de sus archivos adjuntos, es confidencial y está dirigida exclusivamente a él o los destinatarios. Si Usted ha recibido este correo por error, por favor avísenos inmediatamente por este medio y elimínelo de su sistema. Se encuentra prohibido cualquier uso, reproducción, divulgación o distribución por otras personas distintas de él o los destinatarios. Cualquier opinión emitida en este correo electrónico es propia del autor o remitente y no representa necesariamente la opinión de la Caja Trujillo. A pesar de esfuerzos razonables en el control de virus y programas maliciosos, la Caja Trujillo no puede asegurar que éstos no se encuentren en este correo por causas ajenas a su control, por lo que usted debe analizar este correo y sus archivos adjuntos antes de abrirlos. Caja Municipal de Ahorro y Crédito de Trujillo www.cajatrujillo.com.pe " [[alternative HTML version deleted]]