'update'

[epclust.git] / TODO

diff --git a/TODO b/TODO
index b96bad4..957c111 100644 (file)
--- a/TODO
+++ b/TODO
@@ -8,11 +8,6 @@ geometric structure of high dim data and dim reduction 2011
 
 Piste à explorer pour les comparaisons: H20
 
-renvoyer nombre d'individues par classe ?
-hypothèse : données déjà ordonnées 48 1/2H sur 365j
-utiliser mixmod avec modèles allongés
-doit tourner sur machine plutôt standard, utilisateur "lambda"
-
 #https://stat.ethz.ch/pipermail/r-help/2011-June/280133.html
 #randCov = function(d)
 #{
@@ -24,8 +19,8 @@ doit tourner sur machine plutôt standard, utilisateur "lambda"
 #TODO: map-reduce more appropriate R/clustering.R ligne 88
 
 #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/
+#https://www.r-bloggers.com/debugging-parallel-code-with-dbs/
+#http://gforge.se/2015/02/how-to-go-parallel-in-r-basics-tips/
 
 PLOT:
 plot manifold 2D distances WER /
@@ -33,9 +28,26 @@ fenetre tempo forme des courbes /
 medoids /
 gain en prevision: clust puis full --> enercast
 
-réduire taille 17519 trop long ?
+-------
+
+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)
 
-TODO: revoir les arguments, simplifier (dans les clustering...),
+# or, les courbes sont très similaires, nous devrions être proche de 1 !
+corM <- cor(t(M))
+summary(corM[lower.tri(corM)])
 
 #si pas lissage --> on doit trouver 1 : TOCHECK
 #regarder biwavelets smooth.wavelet : s'en inspirer