X-Git-Url: https://git.auder.net/?a=blobdiff_plain;f=TODO;h=ac985f679fc551c6236ea025e899ee685c85354e;hb=57f337af19cd6251815bb1ff2d62f4c58e8b6078;hp=95b9aa1b3fe44ffdfe97d85dff8f0840a610cce3;hpb=02c6f6f29ce4144360e987fe5722715c5472ff43;p=epclust.git

diff --git a/TODO b/TODO
index 95b9aa1..ac985f6 100644
--- a/TODO
+++ b/TODO
@@ -79,3 +79,29 @@ Plutôt ça que hack auto notebook generation:
 #Options : smooth_lvl + filtre gaussien (smooth_method ?)
 (this file :
 https://github.com/tgouhier/biwavelet/blob/master/R/smooth.wavelet.R )
+
+=====
+
+Voici le code :
+
+library(epclust)
+
+n <- 5
+N <- 128
+M <- matrix(runif(n * N), nrow = n) #séries en lignes
+M <- t(apply(M, 1, cumsum)) / sqrt(n * N)
+matplot(t(M), type = 'l', lty = 1)
+
+dists3a <- computeWerDists(1:n, function(inds) M[,inds], n)
+
+# je passe de distance Wer à corrélations : moralement tout est à 0
+summary((1 - dists3a[lower.tri(dists3a)]^2) / N / n)
+
+# or, les courbes sont très similaires, nous devrions être proche de 1 !
+corM <- cor(t(M))
+summary(corM[lower.tri(corM)])
+
+---------> à checker
+
+meilleur task scheduling pour les runs parallel dans computeWerDists
+(voir arg de parLapply, makeCLuster...)