From: Benjamin Auder <benjamin.auder@somewhere>
Date: Thu, 6 Feb 2020 19:05:43 +0000 (+0100)
Subject: merge with remote
X-Git-Url: https://git.auder.net/doc/html/bundles/framework/scripts/%3C?a=commitdiff_plain;h=e906736ea27105237e84c904dce6170353726292;p=epclust.git

merge with remote
---

e906736ea27105237e84c904dce6170353726292
diff --cc TODO
index ac985f6,b96bad4..957c111
--- a/TODO
+++ b/TODO
@@@ -6,31 -6,13 +6,8 @@@ Essayer distance wdist du package biwav
  
  geometric structure of high dim data and dim reduction 2011
  
- https://docs.docker.com/engine/getstarted/step_one/
- 
- A faire:
-  - finir les experiences (sur nb de classes, nb de curves / chunk, nb de procs)
-    et sur d'autres architectures
- 
  Piste à explorer pour les comparaisons: H20
  
- renvoyer nombre d'individues par classe ? (+ somme ?)
 -renvoyer nombre d'individues par classe ?
--hypothèse : données déjà ordonnées 48 1/2H sur 365j
- utiliser du mixmod avec modèles allongés
 -utiliser mixmod avec modèles allongés
--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)
  #{
@@@ -39,20 -21,11 +16,11 @@@
  #	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
++#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 /
@@@ -60,48 -33,9 +28,26 @@@ 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)
  
 -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)])
  
- ---------> à checker
- 
- meilleur task scheduling pour les runs parallel dans computeWerDists
- (voir arg de parLapply, makeCLuster...)
+ #si pas lissage --> on doit trouver 1 : TOCHECK
+ #regarder biwavelets smooth.wavelet : s'en inspirer