Discussion :

[Hotchotte]

Bonjour,

Je viens tout juste de commencer à utiliser R. J'aimerai utiliser le package Fclust.

J'ai un problème lors de l'utilisation de la fonction fitfclust. Je ne sais pas si cela concerne mon ensemble de données de départ:

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
8
9
10
11
12
13
 
//création des données
> xdata=c(1,2,3,4,1,2,3,2,3,2,4,3,5,6,3,6,7,3,5,6,1,2,3,4,5,4,5,6,7,4,5)
> curvedata=c(1,1,1,1,1,1,1,1,1,1,2,2,2,2,2,2,2,2,2,2,3,3,3,3,3,3,3,3,3,3,3)
> timeindexdata=c(1,2,3,4,5,6,7,8,9,10,1,2,3,4,5,6,7,8,9,10,1,2,3,4,5,6,7,8,9,10,11)
 
//création de la structure
> traces<- structure (list(x=xdata,curve=curvedata, timeindex=timeindexdata))
 
//exécution de la fonction fitfclust
> testfit <- fitfclust(data=traces)
Erreur dans apply(points[class == k, ], 2, mean) : 
  dim(X) must have a positive length

Mes données sont-elles mal initialisées ?

Je vous remercie d'avance pour votre aide!

[lilly74]

Bonjour,

il me semble que le problème vient lors de l'appel à la fonction fclustinit:

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
"fclustinit" <-
function(data, pert = 0, grid = seq(0.01, 1, length = 100), h = 1, p = 2, q = 5,K = K){
  S <- FullS <- NULL
  # This function initializes all the parameters.
  # Produce spline basis matrix
    FullS <- cbind(1, ns(grid, df = (q - 1)))
    FullS <- svd(FullS)$u
    S <- FullS[data$timeindex,  ]
  N <- length(table(data$curve))
  # Compute initial estimate of basis coefficients.
  points <- matrix(0,N,sum(q))
  for (i in 1:N){
    Si <- S[data$curve==i,]
    xi <- data$x[data$curve==i]
    points[i,] <- solve(t(Si) %*% Si + pert * diag(q)) %*% t(Si) %*%xi}
  # Use k-means to get initial cluster memberships from points.
  if(K > 1)
    class <- kmeans.rndstart(points, K, 10)$cluster
  else class <- rep(1, N)
  # Initial estimates for the posterior probs of cluster membership.
  piigivej <- matrix(0, N, K)
  piigivej[col(piigivej) == class] <- 1
  # Calculate coefficeints for cluster means.
  classmean <- matrix(0,K,q)
  for (k in 1:K)
    classmean[k,] <- apply(points[class==k,],2,mean)
  # Initialize lambda.zero, Lambda and alpha as defined in paper.
  lambda.zero <- apply(classmean, 2, mean)
  Lambda <- as.matrix(svd(scale(classmean, scale = F))$v[, 1:h])
  alpha <- scale(classmean, scale = F)%*%Lambda
  # Calculate estimates for gamma and gprod.
  gamma <- t(t(points) - lambda.zero - (Lambda %*% t(alpha[class,  ])))
  gprod <- NULL
  for(i in 1:N)
    gprod <- cbind(gprod, (gamma[i,  ]) %*% t(gamma[i,  ]))
  gamma <- array(gamma[, rep(1:sum(q), rep(K, sum(q)))], c(N, K, sum(q)))
  gcov <- matrix(0, sum(q), N * sum(q))
  list(S = S, FullS = FullS, parameters = list(lambda.zero = lambda.zero,
    Lambda = Lambda, alpha = alpha), vars = list(gamma = gamma,
      gprod = gprod, gcov = gcov, piigivej = piigivej))
}

cf. site de Gareth James http://www-bcf.usc.edu/~gareth/

A votre place, je ferais du "pas à pas" sur cette fonction avec votre jeu de données...

Bon courage