similar to: Re adline()

Muchas gracias por sus respuestas Manuel y Javier. El problema al que me enfrento es que a veces estas afectaciones por herbivoría dejan cicatrices que pueden deformar la hoja, a veces se pliegan sobre sí mismas y otras veces se pierde bastante la configuración de la hoja. Por el momento solo me interesa tratar de reconstruir la hoja para poder obtener el área que tendría esa hoja si no se hubiese

Estimado Quizás, por lo que dice Carlos Ortega, antes de pasarlo a escala de grises, podría pasarlo a escala RGB, jugar un poco, el entrenamiento no distinguirá si es escala de gris, como mezcla de negro y blanco, puede intentar rojo y blanco, rojo y verde, con la idea de detectar cambios en el color relacionado a posibles cambios en la humedad o ?madurez? de las hojas, por ahí, con muy poco

Muchas gracias por todos sus comentarios. Muy valiosa la información, hay algunas cosas que no entiendo muy bien. Si tuvieran algunos documentos que pudiera leer les agradecería. Yo he trabajado con las relaciones entre largo y ancho de la hoja, esas relaciones son muy precisas, sin embargo, el problema está cuando las hojas son afectadas, se pierde bastante la estructura. Al yo obtener el área

Estimado Jimmy Nooo ¿como la cortas? Entiendo que no sirve más. Creo que el fondo blanco te perjudica. Mi experiencia, realicé una reconstrucción 3d, foto, foto con fotógrafo que eliminó el resto, filmación pasada a fotos. Lo peor, la foto con fotógrafo, la de mejor calidad. Quizás deberías estudiar todo nuevamente, tomar los errores, buscar soluciónes y rehacer el trabajo. Javier Marcuzzi

Javier, es necesario para así saber el valor de la masa seca, la planta no se va a ver muy afectada en terminos de su fisiología, solo se toma una hoja por individuo, el problema aquí es calcular el área defoliada, si lo hago con una foto va a ser un poco subjetivo, porque hay hojas que están plegadas y eso puede afectar la estimación, la extrapolación a otras hojas perdería precisión. Este es

Hello, I am confronted with a very strange problem which I can not solve... and God I tried a lot, lost almost a whole day, but couldn''t find an answer: The idea is to have a form both in admin and in dir, in admin there will be some more fields that is why I have twice a form. In admin the form appears, in dir the form does not appear instead "þÿ New company" why is it that the

Estimado Yo no conozco de morfología vegetal, pero si supongo que la hoja es plana, me refiero que al verla sobre el eje se forma un rectángulo, la altura en cada parte de la hoja es la misma, a una misma densidad, puedo calcular la masa. En ese caso como siguieren, por medio de fotos y entrenar un modelo, se podía ?reconstruir? lo perdido. Pero entiendo que las hojas no deben tener esa forma

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 =

Buenas, Estoy haciendo modelos y comparando cual es mejor. Para ello, uso CV de 10 folds. Por ejemplo, hago la comparativa entre un svm y un randomForest 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

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

Muchas gracias a todos, por sus Portes valiosos. ¡Saludos! El jue, 15 de ago. de 2024 2:17 p. m., Carlos Ortega < cof en qualityexcellence.es> escribió: > Hola, > ¿Qué tal? > > Sí, antes de ponerte a calcular cosas, es bueno que plantees un enfoque > para abordar el problema. Si ya de partida ves que no va a tener sentido, > pues se abandona la idea y a por otra. >

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

Estimados En este modelo no puedo hacer el plot(svmfit,df11 ) #AQUI NO TRABAJA Le adjunto Excel library(readxl) df11 attach(df11) df11$fallecido=factor(df11$fallecido) # Selección de una submuestra del 70% de los datos set.seed(101) tamano.total <- nrow(df11) tamano.entreno <- round(tamano.total*0.7) datos.indices <- sample(1:tamano.total , size=tamano.entreno) datos.entreno <-

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

Hola, El mensaje es claro: el modelo svmfit no existe, tú has llamado al ajuste ?modelo?. De todas formas, aparte de eso tendrías que especificar qué dimensiones (variables predictivas) quieres representar. Si miras en la ayuda de ?plot.svm lo tienes explicado. Esto sí funcionaría: plot(modelo,df11, LDH ~ INL ) Gracias por proporcionar el código y los datos para poder reproducir el error. Un

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

Hi! I am doing a lapply and for comparaison and I get that 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]]])

Hello everyone, I working in a public health project and we have created a Decision Tree for categorical variables usign the package rpart. Our goal is to develop a model (Using the ROC tool) in order to predict presence/ausent of  diabetes and get a better understanding  of what are the important factors in a particular chilean population.  There are some importants variable that we have found. 

The lapply loop and the for loop have very similar speed characteristics. Differences seen are almost always due to how you use memory in the body of the loop. This fact is not new. You may be under the incorrect assumption that using lapply is somehow equivalent to "vectorization", which it is not. -- Sent from my phone. Please excuse my brevity. On August 7, 2017 7:29:58 AM PDT,