X-Git-Url: https://git.auder.net/?a=blobdiff_plain;f=TODO;h=ac985f679fc551c6236ea025e899ee685c85354e;hb=9ed132a837cf00b5defe0379ddd1c1ef087b6729;hp=199a59f373ae1658b2c794d5c331b52fb9747c70;hpb=bf5c08443087a23ea3d1a7ab993568e608a8b5dd;p=epclust.git

diff --git a/TODO b/TODO
index 199a59f..ac985f6 100644
--- a/TODO
+++ b/TODO
@@ -47,3 +47,61 @@ utiliser Rcpp ?
 #' @importFrom synchronicity boost.mutex lock unlock
 
 subtree: epclust, shared. This root folder should remain private
+
+#TODO: use dbs(),
+		#https://www.r-bloggers.com/debugging-parallel-code-with-dbs/
+		#http://gforge.se/2015/02/how-to-go-parallel-in-r-basics-tips/
+
+synchrones --> somme, pas moyenne
+
+PLOT:
+plot manifold 2D distances WER /
+fenetre tempo forme des courbes /
+medoids /
+gain en prevision: clust puis full --> enercast
+
+réduire taille 17519 trop long ?
+
+synchrone : sum
+cwt : trim R part
+// : clever by rows retenir cwt...
+
+Stockage matrices : en colonnes systématiquement ?
+
+TODO: revoir les arguments, simplifier (dans les clustering...),
+  permettre algos de clustering quelconques, args: medoids (curves puis dists), K
+
+Plutôt ça que hack auto notebook generation:
+	https://mail.scipy.org/pipermail/ipython-dev/2014-March/013550.html
+
+#si pas lissage --> on doit trouver 1 : TOCHECK
+#regarder biwavelets smooth.wavelet : c'est comme ça qu'il faut coder
+#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...)