Buenos días:
En este caso, lo más rápido sería preguntar al responsable del paquete
(Daniel Müllner ). Quizá antes, puedes echar un vistazo
en http://danifold.net/fastcluster.html.
Suerte
Isidro Hidalgo Arellano
Observatorio del Mercado de Trabajo
Consejería de Economía, Empresas y Empleo
Estimado Juan
Entiendo lo que necesita, hay dos caminos, por un lado ver la versión
anterior de R (librería en cuestión) y leer en el código fuente que
generalmente tienen comentarios, y por el otro la consulta a
https://www.sciencedirect.com/ , https://www.researchgate.net/, etc.
Esos dos
Muchas gracias por la ayuda, Javier.
Pero ahora ya descarté lo de intentar recuperar el sistema anterior. Lo que
quiero es poder presentar argumentos de autoridad para mostrar que éste
nuevo método es mejor.
No el solo el argumento del autor; tiene que haber una razón de peso para
que de repente
Estimado Juan Abasolo
No conozco el cambio que menciona pero supe buscar como se hacían ciertas
cosas con R, y la verdad que esto fue una de las mejores inversiones que
realicé con mi tiempo, porque la librería en cuestión dejó de ser
mantenida, pero gracias a investigar el código pude obtener lo
Sabrán disculparme; no solo no encontré cómo calcular como lo hacía R
antes, si no que no encuentro una explicación de autoridad.
Si encontré la mención al cambio... además del propio cambio. Pero, digo,
habrá algún sitio o foro en el que un montón de matemáticos que saben una
barbaridad y hablan
Me alegro!
El mar., 19 feb. 2019 a las 15:16, Antonio Rodriguez Andres (<
antoniorodriguezandre...@gmail.com>) escribió:
> Gracias, ya lo tengo
>
> gather(pobla, key = year, value = totpop, year60:year63) %>%
> + arrange(Country)
>Country year totpop
> 1 Afghanistan year60
Gracias, ya lo tengo
gather(pobla, key = year, value = totpop, year60:year63) %>%
+ arrange(Country)
Country year totpop
1 Afghanistan year60 8996351
2 Afghanistan year61 9166764
3 Afghanistan year62 9345868
4 Afghanistan year63 9533954
On Tue, 19 Feb 2019 at 14:17, Carlos
Después del "gather()" puedes hacer un "arrange()" que es una ordenación. Y
dentro de "arrange()" le indicas la variable por la que ordenas (no hacen
falta comillas)...
Lo ordenará alfabéticamente.
Saludos,
Carlos Ortega
www.qualityexcellence.es
El mar., 19 feb. 2019 a las 13:47, Antonio
Ah, me acabo de dar cuenta que ya habías respondido a lo del LOOV...
Sí, para guardar la categoría simplemente tienes que guardar la predicción
como "character()".
Como ejemplo:
#
library(rpart)
data <- iris
preds <- {}
for (i in 1:nrow(data)) {
print(i)
training <-
Carlos, para poner despues del gather, las observaciones e Afganistan para
todos los años consecutivos, alguna pista?
Afghanistan year60 8996351
2 Albania year60 1608800
3 Algeria year60 11124888
4 Andorra year6013411
5 Angola year60 5643182
6 Afghanistan year61
> gather(pobla, key = year, value = totpop, year60:year63)
Country year totpop
1 Afghanistan year60 8996351
2 Albania year60 1608800
3 Algeria year60 11124888
4 Andorra year6013411
Gracias Carlos
Antonio
On Tue, 19 Feb 2019 at 12:54, Carlos Ortega
wrote:
> Sí,
Hola Carlos ¿sabes tú qué se puede hacer para que añada la categoría
en vez del nº al que corresponde?
Quoting Carlos Ortega :
Es una forma de hacer el LOOV (Leave One Out Validation).
Saludos,
Carlos Ortega
www.qualityexcellence.es
El mar., 19 feb. 2019 a las 12:45, Manuel Mendoza ()
Es una forma de hacer el LOOV (Leave One Out Validation).
Saludos,
Carlos Ortega
www.qualityexcellence.es
El mar., 19 feb. 2019 a las 12:45, Manuel Mendoza ()
escribió:
> Bueno, creo que no contesté tu pregunta. Con training <- data[-i, ]
> crea una df llamada training, sin la muestra i, que
Sí, tienes varias formas.
Mira la función "gather()" del paquete "tidyr", es la que te va a resultar
más fácil de usar.
Gracias,
Carlos Ortega
www.qualityexcellence.es
El mar., 19 feb. 2019 a las 9:51, Antonio Rodriguez Andres (<
antoniorodriguezandre...@gmail.com>) escribió:
> Estimados
Bueno, creo que no contesté tu pregunta. Con training <- data[-i, ]
crea una df llamada training, sin la muestra i, que después utiliza
para entrenar el algoritmo.
Quoting Javier Marcuzzi :
Estimado Manuel Mendoza
Con sus datos y a modo de curiosidad, ¿que pasa en training <- data[-i,
Es un leave one out. Con todas las muestras menos una se entrena el
algoritmo, se predice la categoría de la muestra que falta, y se añade
al vector, que finalmente incluye la predicción para todas las
muestras y sin que hayan sido utilizada para entrenar los modelos. Es
especialmente útil
Estimado Manuel Mendoza
Con sus datos y a modo de curiosidad, ¿que pasa en training <- data[-i, ]?
Javier Rubén Marcuzzi
El lun., 18 feb. 2019 a las 19:39, Manuel Mendoza ()
escribió:
> Gracias Jorge. No entiendo bien; la variable objetivo es ya factor. El
> árbol me la predice bien, como
Estimados miembros de la comunidad de R
Tengo el siguiente formato en un fichero csv que corresponde a datos de la
población para un conjunto de países y para un rango amplio de años.
Pais 19601961 1962 1963
Albaniav
Algeria v
Me gustaría pasarlo
18 matches
Mail list logo