search for: separando

...r el tipo de operaciones que se hacen en cada una de las capas de las redes neuronales. Necesito alguna explicacion más para tontos. ¿Alguien entiende bien lo que hace una red neuronal? Por ejemplo, un randomForest hace el ensamble por boostrap de árbole sde clasificación. Un SVM crea hiperplanos separando zonas, y una red neuronal hace "operaciones" en las capas, y les va asignando pesos, ¿pero uqe transformaciones? Gracias!!! [[alternative HTML version deleted]]

Estimados, tengo una consulta acerca de gráficas con xyplot. Tengo una base de datos con dos perfiles de concentracion por sujeto, ya que a cada sujeto se le administraron dos formulaciones. Con la función xyplot he podido graficar cada perfil separando sujetos y formulaciones: pl <- xyplot (DV~TIME | factor(ID)+factor(FORM), data=tab, type = 'l', auto.key=T, as.table=T, pch=19, xlab="Time", ylab="Dependent variable / Ind. prediction", layout = c(0,16), ) Lo que me gu...

Hola: Estoy intentando dibujar una espiral a la que le quería colocar unas marcas equidistantes. Estoy utilizando: T = seq(0, 20*pi, length.out=1000) X = T * cos(T) Y = T * sin(T) plot(X, Y) que dibuja puntos siguiendo una espiral. Como podría convertirlo en una espiral continua con marcas equidistantes? He buscado en r-cran, y no he encontrado nada. Muchas gracias y saludos!! Griera

...barra@fq.edu.uy> escribió: > Estimados, tengo una consulta acerca de gráficas con xyplot. > > Tengo una base de datos con dos perfiles de concentracion por sujeto, ya > que a cada sujeto se le administraron dos formulaciones. Con la función > xyplot he podido graficar cada perfil separando sujetos y formulaciones: > > pl <- xyplot (DV~TIME | factor(ID)+factor(FORM), data=tab, > type = 'l', auto.key=T, as.table=T, pch=19, > xlab="Time", ylab="Dependent variable / Ind. > prediction", layout =...

Estimado Jorge Velez Lo que usted dice tiene algo a mi pregunta, pero yo la formule mal. Voy a preguntar nuevamente con un ejemplo que tiene errores, pero es más próximo a lo que estoy pensando. Modelo (con error pero no importa) modelo <- muerte = edad + sexo + 1!causa Causa: infarto, infarto, súbita, muerte en tiroteo El modelo lineal, sobrevida, etc. corre sin inconvenientes (aunque