simulateur : complètement aléatoire ? from Irish dataset ?
+wmtsa : wavBootstrap
wavelets methods in statistics with R - p180
-00-convertir2009 et 2010.R
-01-extractFeatures.R pour 2009 [utilise Stbr.R] (car on prédit 2010, pas besoin)
-02-cluster2009.R
-03-compute-sum-of-classes2009.R
-05-cluster2WER-2009.R
-06-prediction.R
-
Essayer distance wdist du package biwavelet ?
geometric structure of high dim data and dim reduction 2011
- finir les experiences (sur nb de classes, nb de curves / chunk, nb de procs)
et sur d'autres architectures
-dans old_C_code/build :
-cmake ../stage1/src
-make
-
-dans data/, lancer R puis :
-source("../old_C_code/wrapper.R")
-serialize("../old_C_code/build", "2009.csv","2009.bin",1)
-library(parallel)
-np = detectCores()
-nbSeriesPerChunk = 3000
-nbClusters = 20
-ppam_exe("../old_C_code/build",np,"2009.bin",nbSeriesPerChunk,nbClusters)
-C = getMedoids("../old_C_code/build", "ppamResult.xml", "ppamFinalSeries.bin")
-first100series = deserialize("../old_C_code/build", "2009.bin", "2009.csv.part", "1-100")
-distor = getDistor("../old_C_code/build", "ppamResult.xml", "2009.bin")
-
-- interface matrice -> binaire
- OK
-
- - courbe synchrone
- ??
-
Piste à explorer pour les comparaisons: H20
renvoyer nombre d'individues par classe ? (+ somme ?)
hypothèse : données déjà ordonnées 48 1/2H sur 365j
utiliser du mixmod avec modèles allongés
-doit toutner sur machine plutôt standard, utilisateur "lambda"
+doit tourner sur machine plutôt standard, utilisateur "lambda"
utiliser Rcpp ?
-=====
+#point avec Jairo:
+#rentrer dans code C cwt continue Rwave
+#passer partie sowas à C
+#fct qui pour deux series (ID, medoides) renvoie distance WER (Rwave ou à moi)
+#transformee croisee , smoothing lissage 3 composantes , + calcul pour WER
+#determiner nvoice noctave (entre octave + petit et + grand)
+
+#TODO: load some dataset ASCII CSV
+#data_bin_file <<- "/tmp/epclust_test.bin"
+#unlink(data_bin_file)
+
+#https://stat.ethz.ch/pipermail/r-help/2011-June/280133.html
+#randCov = function(d)
+#{
+# x <- matrix(rnorm(d*d), nrow=d)
+# x <- x / sqrt(rowSums(x^2))
+# x %*% t(x)
+#}
+
+#TODO: soften condition clustering.R line 37 ?
+#regarder mapply et mcmapply pour le // (pas OK pour Windows ou GUI... mais ?)
+#TODO: map-reduce more appropriate R/clustering.R ligne 88
+#Alternative: use bigmemory to share series when CSV or matrix(...)
+
+#' @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 ?
-trategies for upscaling
-From 25K to 25M : in 1000 chunks of 25K
-Reference values :
- K 0 = 200 super consumers (SC)
- K ∗ = 15 nal clusters
-1st strategy
- Do 1000 times ONLY Energycon's 1st-step strategy on 25K clients
- With the 1000 × K 0 SC perform a 2-step run leading to K ∗ clusters
+synchrone : sum
+cwt : trim R part
+// : clever by rows retenir cwt...
---> il faut s'arranger pour que
+Stockage matrices : en colonnes systématiquement ?
-2nd strategy
- Do 1000 times Energycon's 2-step strategy on 25K clients leading to
- 1000 × K ∗ intermediate clusters
- Treat the intermediate clusters as individual curves and perform a
- single 2-step run to get K ∗ nal clusters
+TODO: revoir les arguments, simplifier (dans les clustering...),
+ permettre algos de clustering quelconques, args: medoids (curves puis dists), K
projects / epclust.git / blobdiff