similar to: Has For bucle be impooved in R

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,

Dear Jesus, The difference is marginal when each code chunk does the same things. Your for loop does not yields the same output as the lapply. Here is the cleaned version of your code. n<-10000 set.seed(123) x<-rnorm(n) y<-x+rnorm(n) rand.data<-data.frame(x,y) k<-100 samples <- split(sample(n), rep(seq_len(k),length=n)) library(microbenchmark) microbenchmark( "for"

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

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

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

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

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

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

?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

Enun ejemplo real estoy viendo como el intervalo de confianza usando lo que me comentas me ha salido mucho más pequeño de lo que la realidad luego refleja. ¿Cómo es esto posible?? Es decir, veo que para valores de 2,70 obtengo una respuesta de entre 2,69 y 2,90 y sin embargo luego en la realidad tengo valores entre 2,20 y 3 Gracias Jesús From: jorgeivanvelez en gmail.com Date: Thu, 21 Apr

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 <-

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

Buenos días a todxs, Estoy comparando la predicción de los valores (0, 1, 2, 3,.....hasta 13) frente a los observados. Con la idea de comparar el modelo Zero inflated y el Binomial negativo y ver cual presenta mas distancia frente a las predicciones observadas. Para ello introduzco los códigos en la consola: #Modelo ZIM pred<-round(colSums(predict(zeroinfl, type="prob") [,1:14]))

Buenas, una pregunta. Si yo estoy calculando un modelo lineal, el caso más simple, 1 variable respuesta y una variable explicativa y creo un modelo, me da un R2 del 80% y quiero ver como es esa relacion entre las variables, para calcular el error de predicción del modelo, basta con ver el intervalo de confianza del modelo e irme a los extremos? Por si no me he expresado bien, un ejemplo tonto:

Buenas, ¿como puedo hacer que el bucle for se salte el error que salta cuando i<-0 en el codigo que paso?? count <- 0 for(i in -2:2){ z<-1/i z<-z*z modelo<-lm(z~1) } Gracias [[alternative HTML version deleted]]

Hola Javier, Si, cuando hablo de valor observado me refiero al valor real en campo y el predicho al que estiman los modelos. Disculpa, que no lo detallase así desde el principio. En mi caso trabajo con dos diferentes: Zero inflated y Binomial Negativo y me gustaría comprobar que diferencia (distancia) existe entre cada uno de ellos y la realidad. Estoy trabajando con los siguientes paquetes:

Otra opcio es no incluir en 0 For (i in c(-2,-1,1,2) El 12 jun. 2017 14:43, <Guillermo.Vinue en uv.es> escribió: Hola, Creo que sería añadir if(i == 0) next Saludos, Guillermo > Buenas, ?como puedo hacer que el bucle for se salte el error que salta cuando i<-0 en el codigo que paso?? > > > > count <- 0 > for(i in -2:2){ > z<-1/i > z<-z*z >