search for: prediccion

...domForest para una serie de datos, por ello hago: midataset<-import..... #datos es un dataframe de 1500 filas y 15 variables for(i in 1:10){ numeros<-sample(1:1500,1500*0.7) train<-datos[numeros,] test<-datos[-numeros,] #modeloRF modelo.rf<-randomForest(respuesta~,train) prediccion<-predict(modelo.rf,test) fp<-table(prediccion,test$respuesta)[2,1] fn<-table(prediccion,test$respuesta)[1,2] error<-(fp+fn)/nrow(train.balanceado) resultado<-rbind(resultado,data.frame(error=error,modelo="rf")) #modelo SVM modelo.svm<-svm(respuesta~,train) prediccio...

Muy buenas, ¿sabe alguien cómo obtener las predicciones sobre el out of bag que hace randomForest? Manuel . -- Dr Manuel Mendoza Department of Biogeography and Global Change National Museum of Natural History (MNCN) Spanish Scientific Council (CSIC) C/ Serrano 115bis, 28006 MADRID Spain

Hola a todos, Al ejecutar el código que veis más abajo:  library(OptimalCutpoints)prediccion<-c(0.49165923,0.52759793,0.30213400,0.33468349,0.14979703,0.47401846,0.52216404,0.42018794,0.92168073,0.76893929,0.83362668,0.38251162,0.70803701,0.49165923,0.94462558) real<-c(0,1,0,0,0,0,1,1,1,1,1,0,1,0,1)datos_OPTIMO<-cbind(prediccion,real) cutpoint1 <- optimal.cutpoints(X = "pr...

...t, pero lo miraré. Quoting Carlos Ortega <cof en qualityexcellence.es>: > Hola, > > Creo que si utilizas "caret" y en la función "trainControl()" defines "oob" > como criterio de randomización, puedes luego recuperar del objeto del > modelo, las predicciones individuales... > > Saludos, > Carlos Ortega > www.qualityexcellence.es > > > > 2018-05-31 12:56 GMT+02:00 Manuel Mendoza <mmendoza en mncn.csic.es>: > >> >> Muy buenas, ¿sabe alguien cómo obtener las predicciones sobre el out of >> bag que hace...

...(0), coeficientes = character(), signific =character(), MASE = numeric(0) ) #Creamos df con datos de las predicciones predicciones <- data.frame(Tipologia = numeric(0), Provincia = numeric(0), AnoModelo = numeric(0), ecuacion =character(0),...

Buenas Alguien sabe como se hacen las predicciones de las series temporslea usando keras? Baaado en esto: https://tensorflow.rstudio.com/blog/time-series-forecasting-with-recurrent-neural-networks.html He intentado hacer un predict_generator(test_data) pero siempre me devuelve el error de que el array no coincid con las dimensiones Gracias!!...

Es justo ese ejemplo el que estoy mirando, pero no sale la prediccion He probado a cambiar la funcion generadora, haciendo que devuelva como lista solo los input, pero sigue devolviendo error: Error in py_call_impl(callable, dots$args, dots$keywords) : ValueError: Error when checking model : the list of Numpy arrays that you are passing to your model is not the...

...don?t use the R console but I use Win console then not appear what I put.I put the code as you look for: cat("1- 24horas\n") cat("2- 12horas\n") cat("3- 8horas\n") selection<-readline(prompt="\nSelecciona numero de horas:") if(selection=="1"){ prediccion=exp(x.reconstruida[1441:1450]) } if(selection=="2"){ prediccion=exp(x.reconstruida[720:729]) } if(selection=="3"){ prediccion=exp(x.reconstruida[481:491]) } write.table(prediccion,"C:\\Temp\\prePrueba.txt",quote=F,row.names=F,append=T,col.names=F) //end of code. Ex...

...domForest para una serie de datos, por ello hago: midataset<-import..... #datos es un dataframe de 1500 filas y 15 variables for(i in 1:10){ numeros<-sample(1:1500,1500*0.7) train<-datos[numeros,] test<-datos[-numeros,] #modeloRF modelo.rf<-randomForest(respuesta~,train) prediccion<-predict(modelo.rf,test) fp<-table(prediccion,test$respuesta)[2,1] fn<-table(prediccion,test$respuesta)[1,2] error<-(fp+fn)/nrow(train.balanceado) resultado<-rbind(resultado,data.frame(error=error,modelo="rf")) #modelo SVM modelo.svm<-svm(respuesta~,train) prediccio...

...domForest para una serie de datos, por ello hago: midataset<-import..... #datos es un dataframe de 1500 filas y 15 variables for(i in 1:10){ numeros<-sample(1:1500,1500*0.7) train<-datos[numeros,] test<-datos[-numeros,] #modeloRF modelo.rf<-randomForest(respuesta~,train) prediccion<-predict(modelo.rf,test) fp<-table(prediccion,test$respuesta)[2,1] fn<-table(prediccion,test$respuesta)[1,2] error<-(fp+fn)/nrow(train.balanceado) resultado<-rbind(resultado,data.frame(error=error,modelo="rf")) #modelo SVM modelo.svm<-svm(respuesta~,train) prediccio...

...; numeros<-sample(1:1500,1500*0.7) > > > > train<-datos[numeros,] > > > > test<-datos[-numeros,] > > > > > > #modeloRF > > > > resultadoRF <- list() > > > > modelo.rf<-randomForest(respuesta~,train) > > > > prediccion<-predict(modelo.rf,test) > > > > fp<-table(prediccion,test$respuesta)[2,1] > > fn<-table(prediccion,test$respuesta)[1,2] > > error<-(fp+fn)/nrow(train.balanceado) > > resultadoRF[[i]]<-rbind(resultado,data.frame(error=error,modelo="rf")) > &...

...os de parámetros que mejor se comportan, afinas el resultado con otra validación cruzada: for(i in 1:15){ numeros<-sample(1:1500,1500*0.7) train<-datos[numeros,] test<-datos[-numeros,] #modeloRF resultadoRF <- list() modelo.rf<-randomForest(respuesta~,train) prediccion<-predict(modelo.rf,test) fp<-table(prediccion,test$respuesta)[2,1] fn<-table(prediccion,test$respuesta)[1,2] error<-(fp+fn)/nrow(train.balanceado) resultadoRF[[i]]<-rbind(resultado,data.frame(error=error,modelo="rf")) #modelo SVM resultadoSVM <- list() mod...

...hat for is faster than lapply. What I have done: n<-100000 set.seed(123) x<-rnorm(n) y<-x+rnorm(n) rand.data<-data.frame(x,y) k<-100 samples<-split(sample(1:n),rep(1:k,length=n)) res<-list() t<-Sys.time() for(i in 1:100){ modelo<-lm(y~x,rand.data[-samples[[i]]]) prediccion<-predict(modelo,rand.data[samples[[i]],]) res[[i]] <- (prediccion - rand.data$y[samples[[i]]]) } print(Sys.time()-t) Which takes 8.042 seconds and using Lapply cv.fold.fun <- function(index){ fit <- lm(y~x, data = rand.data[-samples[[index]],]) pred <- predict(fit, newdat...

...ject: Re: [R-es] Calcular Error en modelo lineal To: j.para.fernandez en hotmail.com CC: r-help-es en r-project.org Buenos dias Jesus, Esos valores son _aproximados_. Las estimaciones, de acuerdo con teoria de regresion, podrian obtenerse de manera puntual y construir intervalos de _confianza_ y _prediccion_ alrededor de estos. Ten en cuenta que el 2do tipo de intervalos de calcula para observaciones _futuras_. En R puedes calcularlos de la siguiente manera: ## IC de confianza## ver ?predict.lm para mas detallesR> data.frame(y, predict(modelo, interval = "confidence")) y...

...tamano.entreno <- round(tamano.total*0.7) datos.indices <- sample(1:tamano.total , size=tamano.entreno) datos.entreno <- df11[datos.indices,] datos.test <- df11[-datos.indices,] # Ejecución del modelo SVM modelo <- svm(fallecido~., data=datos.entreno) # Predicción de los restantes prediccion <- predict(modelo,new=datos.test) # Tabla de confusión. (mc <- with(datos.test,(table(prediccion,fallecido)))) # % correctamente clasificados (correctos <- sum(diag(mc)) / nrow(datos.test) *100) plot(svmfit,df11 ) #AQUI NO TRABAJA Saludos José ------------ próxima parte -----------...

...os de parámetros que mejor se comportan, afinas el resultado con otra validación cruzada: for(i in 1:15){ numeros<-sample(1:1500,1500*0.7) train<-datos[numeros,] test<-datos[-numeros,] #modeloRF resultadoRF <- list() modelo.rf<-randomForest(respuesta~,train) prediccion<-predict(modelo.rf,test) fp<-table(prediccion,test$respuesta)[2,1] fn<-table(prediccion,test$respuesta)[1,2] error<-(fp+fn)/nrow(train.balanceado) resultadoRF[[i]]<-rbind(resultado,data.frame(error=error,modelo="rf")) #modelo SVM resultadoSVM <- list() mod...

...os de parámetros que mejor se comportan, afinas el resultado con otra validación cruzada: for(i in 1:15){ numeros<-sample(1:1500,1500*0.7) train<-datos[numeros,] test<-datos[-numeros,] #modeloRF resultadoRF <- list() modelo.rf<-randomForest(respuesta~,train) prediccion<-predict(modelo.rf,test) fp<-table(prediccion,test$respuesta)[2,1] fn<-table(prediccion,test$respuesta)[1,2] error<-(fp+fn)/nrow(train.balanceado) resultadoRF[[i]]<-rbind(resultado,data.frame(error=error,modelo="rf")) #modelo SVM resultadoSVM <- list() mod...

...; numeros<-sample(1:1500,1500*0.7) > > > > train<-datos[numeros,] > > > > test<-datos[-numeros,] > > > > > > #modeloRF > > > > resultadoRF <- list() > > > > modelo.rf<-randomForest(respuesta~,train) > > > > prediccion<-predict(modelo.rf,test) > > > > fp<-table(prediccion,test$respuesta)[2,1] > > fn<-table(prediccion,test$respuesta)[1,2] > > error<-(fp+fn)/nrow(train.balanceado) > > resultadoRF[[i]]<-rbind(resultado,data.frame(error=error,modelo="rf")) > &...

...> datos.indices <- sample(1:tamano.total , size=tamano.entreno) > datos.entreno <- df11[datos.indices,] > datos.test <- df11[-datos.indices,] > > # Ejecución del modelo SVM > modelo <- svm(fallecido~., data=datos.entreno) > > # Predicción de los restantes > prediccion <- predict(modelo,new=datos.test) > > # Tabla de confusión. > > (mc <- with(datos.test,(table(prediccion,fallecido)))) > > > # % correctamente clasificados > (correctos <- sum(diag(mc)) / nrow(datos.test) *100) > > > plot(svmfit,df11 ) #AQUI NO TRABAJ...

Hola todos Cuando realizo las predicciones del modelo multinomial con el paquete nnet, estas cambian cada vez que lo ejecuto ... saben por qué pasa esto ?? Gracias por la ayuda. [[alternative HTML version deleted]]