Fonction fitfclust et erreur dim(X)

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:

---

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!

Bonjour,

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

Code:

---

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 :)