search for: suavely

I have a non-linear regression with 8 parameters to solve .... however it does not converge ... easily solves the excel ... including the initial estimates used in the R were found in the excel ... Another question is how to establish the increments of R by the parameters in the search ..

...ject (object of class "ppp"). However we have at the moment no convenient function to *extract* the observation component of a ppp object, nor have we a really convenient means of (re-) assigning the window component of such an object. We can extract the component via X$window or more suavely via as.owin(X) --- but the latter is rather counter-intuitive and lacks parallelism with other usage. Re-assignment of the observation window component of X can be done either via X$window <- W or X <- X[W]. These are not quite the same. The former may leaves points which are outside of...

In some time series simulations I'm doing, I occasionally want the model to be ``white noise'', i.e. no model at all. I thought it would be nice if I could fit this into the arima.sim() context, without making an exceptional case. I.e. one ***could*** do something to the effect if(length(model)==0) x <- rnorm(n) else x <- arima.sim(model,n) but it would be more suave if one

De acuerdo a Bard; ? scale_colour_viridis_d: Esta función utiliza la paleta de colores "viridis" en una escala continua, donde los colores varían de forma suave y continua. Es adecuada para representar datos en los que se desea resaltar las variaciones sutiles en los valores de la variable. ? scale_colour_viridis_c: Esta función también utiliza la paleta de colores

Hello all, This is something that I am sure has a really suave solution in R, but I can't quite figure out the best (or even a basic) way to do it. I have a simple linear regression that is fit with lm for which I would like to estimate the x intercept with some measure of error around it (confidence interval). In biology, there is the concept of a developmental zero - a temperature under

Hola a todos, Simplemente comentar que me tengo encontrado con muchos problemas de optimización. Mi recomendación general, en el caso multidimensional y si el tiempo de computación es importante, sería buscar un algoritmo diseñado para el tipo de problema (evitar los algoritmos más generales tipo optim si puede haber problemas de mínimos locales). Algunos casos que tengo resuelto con R

I am having a lot of troubles setting up an rsync daemon that works properly. I've inspected the Faq-o-matic and as much of the past archives as I can stand, but I can't seem to get any of the solutions suggested there to work. I'm having two problems. First, I can't get password authentication to work. I have ensured that the password file is only readable by root, and that

Si puedo dar mi opinión es que no uséis rcomander. Al final el alumno cree que usa R pero no lo usa!!! Depende del tiempo pero si es para psicología yo usaría excell o spss. Rcomander les va a liar mas de lo debido y deja el ordenador inutilizable... Soy profe de estadistic pero aparte estoy en segundo de psicologia y la estadistica que se da es muy muy basica como para usar R. Salutis. Renaud

Hola a todos: Alguién me podría explicar cuales son las diferencias entre las diferentes escalas de viridis en ggplot2, es decir en qué se diferencian scale-colour_viridis_d de scale_colour_viridis_c, scale_colour_viridis_b. Y cual es la diferencia entre scale-fiil-viridis_d de scale-fill_viridis_c y de scale_fill_viridis-b. He estado buscando la diferencia en internet y no he encontrado nada al

Es que es justo ahi donde no se como hacerlo. Es decir, dentro del bucle for hago las comprobaciones train test, y me da que de media el mejor es randomForest, pero claro, no me estoy quedando con el modelo, ya que no se va guardando....Entonces es cuando no se como seguir para quedarme con ese modelo.... ________________________________ De: Isidro Hidalgo Arellano <ihidalgo en

Buenas, Puse los modelos lo mas simplificados, para centrar el tiro en el tema que me preocupa. Es una pena no poder hablar cara a cara, porque por email puedo sonar algo borde, pero no es así, al contrario estoy enormemente agradecido por tu ayuda, pero le veo un problema. Me dices que use un list para ir guardando el modelo, pero tal y como he propuesto en el bucle for, el modelo se crea 10

Estimados Reailizo una pregunta general, casi desconociendo. Se me ocurrió explorar lo siguiente: hay ejemplos de programación lineal o utilizando la herramienta solver de excel, donde se realizan algunos cálculos, lo más sencillo de comprender y documentado (todos lados) es una cantidad de productos, un costo de compra, un costo de venta, una cantidad para invertir y ¿cuánto me conviene

Hola, Eso es justamente lo que hace "caret" de una manera muy sencilla y sin que tú te tengas que preocupar de quedarte con el mejor bucket (del CV) o con la mejor combinación en tu "grid search". Te recomiendo que uses "caret" para esto.... Puedes incluso evaluar los dos algoritmos "RF" y "svm" a la vez y conocer realmente el nivel de precisión

Una vez que tienes la técnica y los parámetros óptimos resultantes de la validación cruzada, ya tienes el modelo que necesitas, NO tienes que hacer nada más. Si vuelves a modelar con todos los datos todo el trabajo de validación que has hecho lo envías a hacer gárgaras. Estarías construyendo un modelo con sobreajuste. Para quedarte tranquilo, haz la prueba, coge el modelo resultante de la

El algoritmo en sí no, pero si quieres ajustar los parámetros (número de árboles, tamaño del nodo, etc.) hay que hacerlo. En la práctica te puedo asegurar que hay diferencia entre usar 500 árboles o 100, igual que el tamaño del nodo que cojas; afinar los parámetros puede suponer ajustar bastante los resultados. Un saludo Isidro Hidalgo Arellano Observatorio del Mercado de Trabajo

No, llega un momento en el que más árboles no te supone mejoría, e incluso funciona peor. Que funcione peor lo atribuyo al ruido, porque en teoría no tiene mucho sentido, la verdad... Pero no he probado a coger más árboles de los "necesarios". Lo probaré… Un saludo De: Jesús Para Fernández [mailto:j.para.fernandez en hotmail.com] Enviado el: viernes, 02 de junio de 2017 14:54

?Hola, Puedes ver aquí un ejemplo de cómo comparar varios modelos usando "caret". https://stackoverflow.com/questions/14800021/statistics-of-prediction-for-multiple-models-with-caret O mejor en el propio manual de "caret", en esta sección: https://topepo.github.io/caret/model-training-and-tuning.html#exploring-and-comparing-resampling-distributions Y como recomendación te

Si nos dices el tipo de problema que estás intentando solucionar y el tamaño del dataset podemos recomendarte algo más. En tu pseudo-código mezclas algoritmos supervisados y no-supervisados. Además de ranger, daría alguna oportunidad a "gbm" o como no a "xgboost". Y éstos los probaría dentro de H2O. Saludos, Carlos Ortega www.qualityexcellence.es El 4 de junio de 2017,

H2O va bien (muy bien) tanto en un ordenador sobremesa/portátil y sobre un clúster. En uno de sobremesa si tienes buena RAM y muchos cores, mejor. Y no tienes porqué usar Spark si no necesitas una solución tiempo real o "near real-time". H2O tiene otra solución para interaccionar con Spark (Sparkling Water). Incluso sobre un clúster, puedes usar "sparklyr" y

Dear R-help members I would be grateful if anyone could help me with the following problem: I would like to combine two matrices (SCH_15 and SCH_16, they are attached) which have a species presence/absence x sampling plot structure. The aim would be to have in the end only one matrix which shows all existing species and their presence/absence on all the different plots(an_1, an_2 etc.) To do