similar to: Prediccion de series temporales con keras

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 size the model expected.

Hola Jorge: Disculpa la tardanza pero me han tenido liado en otros menesteres. Yo no soy ni muchísimo menos un experto ni en series temporales ni en R de hecho retomo el tema después de muchos (demasiados) años aparcado y dedicándome a labores de programación pura y dura. Respecto a la diferencia de resultados con R y Statgraphics, no conozco el proceso de selección del modelo ARIMA que hace

Hola!! Estoy intentando evaluar mi modelo de series temporales (uso auto.arima). Para ello he implemetado el método "rolling window" que se basa en ir añadiendo progresivamente datos al conjunto de train para testar el modelo. Por ejemplo: - Train: 1 año, test: día 1 (24 observaciones, una por hora) --> evalúo ese día (RMSE por ejemplo) - Train: 1 año + 1 día, test: día 2 -->

Estimados. Hace un tiempo que tengo una duda, estaba pensando en los problemas como optimización de costos, donde hay varias alternativas y librerías, pasando por soluciones inspiradas en energía, genética o algo matemático como matrices y álgebra. Luego aparecen tensorflow, cntk, y otros tantos, de los cuáles https://keras.rstudio.com/ ofrece alternativas para mezclar los mundos por decirlo de

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

Gracias Carlos. No uso caret, 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 >

Hola. Estoy empezando a ver temas de series temporales y me gustaría saber como obtener con R los IVES (índices de variación estacionales). Por el momento estoy viendo cosas muy simples, como descomponer una serie en tendencia y componente estacional, usando la función decompose y también la función stl. Por ejemplo # generamos 48 datos de una normal por ejemplo x <- rnorm(48) # creamos el

hola! quisiera saber si existe algún paquete en R para detectar cambios en la media de una serie temporal, o en su defecto cambios en la pendiente de una serie temporal. Visualmente puedo detectar ciertos años de "cambio", pero me gustaría tener un aval estadístico. Gracias! [[alternative HTML version deleted]]

Estimado Jesús Para Fernández En teoría es ese material, lo vi muy rápido y en la parte genética tiene cosas que biológicamente no son así, hay un libro de Falconer, Introducción a la genética cuantitativa, que tiene escrita la parte matemática, hay un abismo entre la biología y los ingenieros que se inspiran en la biología. Yo pensaba en la resolución de un problema real, aunque relativamente

Buenas, Estoy intentando hacer un trabajo con una compañera, a la que le pedí que me lo explicara en unas lineas. Esas lineas son las que siguen: Quisieramos analizar algunos comportamientos humanos a lo largo del tiempo; esto es, encontrar patrones de en algunos comportamientos del habla y la comunicación: vocalizaciones, gestos (divididos en categorías), mirada (en categorías). Conocemos un

Hola a todos: Hace unos meses estuve preguntando sobre la prueba de Thom para comprobar la homogeneidad de series temporales sobre datos de radiación e insolación (después he visto que también se usa con otras variables meteorológicas) [0]. El caso es que por distintas razones no había podido avanzar en el asunto y ahora vuelvo sobre él. Creé una función para realizar la prueba de Thom pero

Hola a todos, Por lo que comentáis estáis en una etapa muy temprana y podéis tener todo tipo de datos. Desde mi punto de vista tener modelos adecuados para este tipo de casos puede ser complicado ya que en principio habría una dependencia temporal. Mi recomendación sería enfocarlo primero desde un punto de vista descriptivo (realmente siempre recomiendo esto...). Además de los métodos

Estimada Comunidad, solicito vuestra ayuda en un tema quizás un poco tonto, pero no logro dar con la tecla. Estoy intentando hacer una gráfica de la evolución temporal de una variable (xbar) a lo largo del tiempo. La secuencia que he hecho es la siguiente: attach(Libro1) plot (xbar~as.Date(fechas,"%d/%m/%y"), ylim=c(400,650), type="b", pch=19,cex=1)

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

> Hola a tod@as a ver si me podéis ayudar: > > tengo una base de datos en excel con 120 variables y 58 observaciones para > cada una de ellas y no encuentro la manera de que reconozca la base de > manera correcta, es decir que reconozca que son 120 variables y que se trata > de series temporales. He usado el paquete ts, zoo pero tampoco así consigo > indexarlas de manera

Muchas gracias Carlos, previo a mi correo, entre las pruebas que hice estaba una parecida a la que apuntas de la siguiente manera: attach (Libro1) plot (xbar~as.Date(fechas,"%d/%m/%y"), ylim=c(400,660), xaxt="n", type="b", pch=19,cex=1) xlabels<-strptime(fecha,format="%d/%m/%Y") axis.Date (1,at=xlabels,format="%b-%y")

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 de nuevo, acabo de encontrar la solución. He creado una variable ficticia con los días 1 de cada mes en la secuencia temporal que quería y después he actuado de la siguiente manera attach(Libro1) plot (xbar~as.Date(fecha,"%d/%m/%y"), type="b", pch=19,cex=2,xaxt="n") xlabels<-strptime(ofeje, format = "%d/%m/%y") axis.Date(1,

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

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 =