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)
#{
#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 /
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