[R-es] cantidad de datos

Mie Abr 29 19:42:31 CEST 2015

El inconveniente con un K-medias, es que se tiene que se tiene que pre definir el número de segmentos, pero eso es algo con lo q no cuento. La solución de Javier me parece q sería la única opción.

Atte.
Ricardo Alva Valiente

-----Mensaje original-----
De: R-help-es [mailto:r-help-es-bounces en r-project.org] En nombre de javier.ruben.marcuzzi en gmail.com
Enviado el: miércoles, 29 de abril de 2015 12:16 PM
Para: jose luis cañadas; R-help-es en r-project.org
Asunto: Re: [R-es] cantidad de datos

Estimados

Justo se me ocurrió una búsqueda y el resultado es parecido.

http://www.r-bloggers.com/k-means-clustering-on-big-data/

Javier Marcuzzi

De: jose luis cañadas
Enviado el: ‎miércoles‎, ‎29‎ de ‎abril‎ de ‎2015 ‎02‎:‎10‎ ‎p.m.
Para: R-help-es en r-project.org

Hola.
Yo en vez de utilizar análisis cluster que impliquen distancias, probaría con un kmedias o con un pam (partition around medoids) pero utilizando muestras, la función clara de la librería cluster puede ayudarte. Pego el details de la ayuda de 'clara'

Details

clara is fully described in chapter 3 of Kaufman and Rousseeuw (1990).
Compared to other partitioning methods such as pam, it can deal with much larger datasets. Internally, this is achieved by considering sub-datasets of fixed size (sampsize) such that the time and storage requirements become linear in n rather than quadratic.

Each sub-dataset is partitioned into k clusters using the same algorithm as in pam.
Once k representative objects have been selected from the sub-dataset, each observation of the entire dataset is assigned to the nearest medoid.

The mean (equivalent to the sum) of the dissimilarities of the observations to their closest medoid is used as a measure of the quality of the clustering. The sub-dataset for which the mean (or sum) is minimal, is retained. A further analysis is carried out on the final partition.

Each sub-dataset is forced to contain the medoids obtained from the best sub-dataset until then. Randomly drawn observations are added to this set until sampsize has been reached.

Saludos

El 29/04/15 a las 19:06, Carlos J. Gil Bellosta escribió:
> Hola, ¿qué tal?
>
> 291GB viene a ser
>
> 280 * 280 * 1e6 * 8 / 2^30 / 2
>
> que es el número de GB necesarios para almacenar la matriz de
> distancias entre 280k sujetos.
>
> Hay que buscar una alternativa que no implique precalcular esa enormidad.
>
> Un saludo,
>
> Carlos J. Gil Bellosta
> http://www.datanalytics.com
>
>
>
>
>
> El día 29 de abril de 2015, 18:20,  <javier.ruben.marcuzzi en gmail.com> escribió:
>> Estimados
>>
>> Creo que se puede presentar un problema con el sistema operativo, al
>> ser de
>> 32 bit si no recuerdo mal soporta hasta 4 GB, aunque no estoy del
>> todo seguro.
>>
>> Los 292 GB que informa Carlos son una enormidad, esos requerimientos
>> son complicados.
>>
>> ¿Qué posibilidad hay de trabajar con memoria virtual en windows?
>> Aunque me parece que no sería optimo, prefiero intentar en Linux y R.
>>
>> Su sistema es de 32 bit, pero ¿la computadora?, ¿ambos son 32?, ¿el
>> i5 no es de 64 bit?. Posiblemente tenga la opción de usar un sistema
>> operativo de 64 bit, como también de poder comprar más memoria
>> (siempre en 64 bit), aunque me asustan los 292 GB que informa Carlos.
>>
>> Javier Marcuzzi
>>
>> De: Carlos Ortega
>> Enviado el: ‎miércoles‎, ‎29‎ de ‎abril‎ de ‎2015 ‎12‎:‎49‎ ‎p.m.
>> Para: Alva Valiente, Ricardo (RIAV)
>> CC: R-help-es en r-project.org
>>
>> No sé si va a ser suficiente....
>> Acabo de correr un ejemplo equivalente:
>>
>> # Example
>> mydat <- matrix(rnorm(280000*20), ncol=20) hc <- hclust(dist(mydat),
>> "ave")
>> plot(hc)
>> plot(hc, hang = -1)
>>
>> sobre "Azure Machine Learning" y ...
>>
>>
>>
>> Saludos,
>> Carlos Ortega
>> www.qualityexcellence.es
>>
>> El 29 de abril de 2015, 17:45, Alva Valiente, Ricardo (RIAV)
>> <riav en cajatrujillo.com.pe> escribió:
>>> Bueno mi máquina es:
>>>
>>> HP
>>>
>>> Windows 7
>>>
>>> Procesador Core I5 de 2.5 GHz
>>>
>>> 4 GB de Ram (2.94 GB utilizables)
>>>
>>> Sistema operativo de 32 bits
>>>
>>> Versión de R, 3.2.0
>>>
>>>
>>>
>>>
>>>
>>> Atte.
>>>
>>> Ricardo Alva Valiente
>>>
>>> Analista de Control Preventivo
>>>
>>> Unidad de Prevención
>>>
>>> Of. Recuperaciones – CC Boulevard Chiclayo
>>>
>>> '(074) 232740
>>>
>>> RPC 978194441 RPM *157793
>>>
>>> *riav en cajatrujillo.com.pe
>>>
>>> www.cajatrujillo.com.pe
>>>
>>>
>>>
>>>
>>>
>>> De: Carlos Ortega [mailto:cof en qualityexcellence.es] Enviado el:
>>> miércoles, 29 de abril de 2015 10:39 AM
>>> Para: Alva Valiente, Ricardo (RIAV)
>>> CC: r-help-es en r-project.org
>>> Asunto: Re: [R-es] cantidad de datos
>>>
>>>
>>>
>>> Hola,
>>>
>>> La matriz que vas a procesar será de alrededor de 45 Mb. No creo que
>>> tengas problemas para cargar este conjunto de datos a tu entorno.
>>>
>>> El problema puede aparecer en generar el objeto clúster y esto
>>> dependerá de la RAM que tengas disponible.
>>>
>>> Pásanos el detalle de la máquina que utilizarías y la versión de R
>>> que usas.
>>>
>>>
>>> He simulado tu conjunto y he tenido problemas a la hora de generar
>>> el clúster. Mi máquina es un MacBook, de 8Gb.
>>>
>>>
>>>
>>> Saludos,
>>>
>>> Carlos Ortega.
>>>
>>>
>>>
>>> El 29 de abril de 2015, 16:25, Alva Valiente, Ricardo (RIAV)
>>> <riav en cajatrujillo.com.pe> escribió:
>>>
>>> Estimados dos consultas.
>>> -Debo de trabajar con 280,000.00 casos y 20 variables. Quisiera
>>> saber si el programa soporta sin ningún inconveniente análisis
>>> cluster y discriminantes, así como análisis uni variados y bi variados.
>>> -Cuando se grafica un dendograma como puedo hacer para que todas las
>>> líneas de los casos, partan desde el X, porque cuando se genera se
>>> visualiza bien desordenado (unas líneas comienzan mas arriba que
>>> otras). También como hacer para que los nombres de los casos
>>> aparezcan en vertical y no en horizontal; y si es posible el gráfico también.
>>>
>>> Muchas gracias de antemano.
>>>
>>> Atte.
>>> Ricardo Alva Valiente
>>>
>>> "Aviso Legal: La información de este correo electrónico, así como de
>>> sus archivos adjuntos, es confidencial y está dirigida
>>> exclusivamente a él o los destinatarios. Si Usted ha recibido este
>>> correo por error, por favor avísenos inmediatamente por este medio y
>>> elimínelo de su sistema. Se encuentra prohibido cualquier uso,
>>> reproducción, divulgación o distribución por otras personas
>>> distintas de él o los destinatarios. Cualquier opinión emitida en
>>> este correo electrónico es propia del autor o remitente y no
>>> representa necesariamente la opinión de la Caja Trujillo. A pesar de
>>> esfuerzos razonables en el control de virus y programas maliciosos,
>>> la Caja Trujillo no puede asegurar que éstos no se encuentren en
>>> este correo por causas ajenas a su control, por lo que usted debe
>>> analizar este correo y sus archivos adjuntos antes de abrirlos. Caja Municipal de Ahorro y Crédito de Trujillo www.cajatrujillo.com.pe "
>>>
>>> _______________________________________________
>>> R-help-es mailing list
>>> R-help-es en r-project.org
>>> https://stat.ethz.ch/mailman/listinfo/r-help-es
>>>
>>>
>>>
>>>
>>> --
>>>
>>> Saludos,
>>> Carlos Ortega
>>> www.qualityexcellence.es
>>>
>>> "Aviso Legal: La información de este correo electrónico, así como de
>>> sus archivos adjuntos, es confidencial y está dirigida
>>> exclusivamente a él o los destinatarios. Si Usted ha recibido este
>>> correo por error, por favor avísenos inmediatamente por este medio y
>>> elimínelo de su sistema. Se encuentra prohibido cualquier uso,
>>> reproducción, divulgación o distribución por otras personas
>>> distintas de él o los destinatarios. Cualquier opinión emitida en
>>> este correo electrónico es propia del autor o remitente y no
>>> representa necesariamente la opinión de la Caja Trujillo. A pesar de
>>> esfuerzos razonables en el control de virus y programas maliciosos,
>>> la Caja Trujillo no puede asegurar que éstos no se encuentren en
>>> este correo por causas ajenas a su control, por lo que usted debe
>>> analizar este correo y sus archivos adjuntos antes de abrirlos. Caja Municipal de Ahorro y Crédito de Trujillo www.cajatrujillo.com.pe "
>>
>>
>>
>> --
>> Saludos,
>> Carlos Ortega
>> www.qualityexcellence.es
>>
>> _______________________________________________
>> R-help-es mailing list
>> R-help-es en r-project.org
>> https://stat.ethz.ch/mailman/listinfo/r-help-es
>>
> _______________________________________________
> R-help-es mailing list
> R-help-es en r-project.org
> https://stat.ethz.ch/mailman/listinfo/r-help-es

_______________________________________________
R-help-es mailing list
R-help-es en r-project.org
https://stat.ethz.ch/mailman/listinfo/r-help-es
[[alternative HTML version deleted]]

_______________________________________________
R-help-es mailing list
R-help-es en r-project.org
https://stat.ethz.ch/mailman/listinfo/r-help-es
"Aviso Legal: La información de este correo electrónico, así como de sus archivos adjuntos, es confidencial y está dirigida exclusivamente a él o los destinatarios. Si Usted ha recibido este correo por error, por favor avísenos inmediatamente por este medio y elimínelo de su sistema. Se encuentra prohibido cualquier uso, reproducción, divulgación o distribución por otras personas distintas de él o los destinatarios. Cualquier opinión emitida en este correo electrónico es propia del autor o remitente y no representa necesariamente la opinión de la Caja Trujillo. A pesar de esfuerzos razonables en el control de virus y programas maliciosos, la Caja Trujillo no puede asegurar que éstos no se encuentren en este correo por causas ajenas a su control, por lo que usted debe analizar este correo y sus archivos adjuntos antes de abrirlos. Caja Municipal de Ahorro y Crédito de Trujillo www.cajatrujillo.com.pe "