label <- factor(iris$Species) set <- iris[,-ncol(iris)]
model <- randomForest(x = set,data = set , mtry=4, ntree=20)
我想我是在没有老师的情况下教的。
根据谷歌翻译---->无监督 分类
> model
Call: randomForest(x = set, ntree = 20, mtry = 4, data = set) Type of random forest: unsupervised Number of trees: 20 No. of variables tried at each split: 4
但如何识别？))
predict(model , set[1,])
Error in predict.randomForest(model, set[1, ]) : No forest component in the object
label <- factor(iris$Species) set <- iris[,-ncol(iris)]
model <- randomForest(x = set,data = set , mtry=4, ntree=20)
我想我是在没有老师的情况下教的。
根据谷歌翻译---->无监督 分类
> model
Call: randomForest(x = set, ntree = 20, mtry = 4, data = set) Type of random forest: unsupervised Number of trees: 20 No. of variables tried at each split: 4
但如何识别？))
predict(model , set[1,])
Error in predict.randomForest(model, set[1, ]) : No forest component in the object
我没有得到好的结果。你需要高度相关的预测因子（与其他模型不同）。
我没能找到任何能带来可接受结果的东西。不过我已经很久没有做实验了。我没有太多的时间。你可以试试。该样本有一个完全工作的代码。
祝好运
PS。如果你试一下，在输入矩阵中，预测因子应该是行而不是列。
谢谢，但不幸的是，我现在从事的是一个完全不同的，在不久的将来就是坐不住了，我遇到了一个工作方法，但都还是生手，研究刚刚开始，我觉得会拖很久，很多工作...
另一个问题，不要打我）在没有老师的情况下，是否可以在训练中使用 标准的 MO包、forrests、nets、vector、convolutions等？
我怀疑你可以，但我还没有弄清楚如何做到这一点。
例如，在弗雷斯特
library(randomForest)
label <- factor(iris$Species)
set <- iris[,-ncol(iris)]
model <- randomForest(x = set,data = set , mtry=4, ntree=20)
我想我是在没有老师的情况下教的。
根据谷歌翻译---->无监督 分类
Call:
randomForest(x = set, ntree = 20, mtry = 4, data = set)
Type of random forest: unsupervised
Number of trees: 20
No. of variables tried at each split: 4
但如何识别？))
Error in predict.randomForest(model, set[1, ]) :
No forest component in the object
你能帮我解决这个问题吗？
谢谢你，但不幸的是，我现在正在做一些完全不同的事情，我将有一段时间不能坐着，我已经找到了一个工作方法，但它仍然是原始的，研究刚刚开始，我觉得这将需要很长一段时间，有很多工作要做...
另一个问题，不要打我）在没有老师的情况下，是否可以在训练中使用 标准的 MO包、forrests、nets、vector、convolutions等？
我怀疑你可以，但我还没有弄清楚如何做到这一点。
例如，在弗雷斯特
library(randomForest)
label <- factor(iris$Species)
set <- iris[,-ncol(iris)]
model <- randomForest(x = set,data = set , mtry=4, ntree=20)
我想我是在没有老师的情况下教的。
根据谷歌翻译---->无监督 分类
Call:
randomForest(x = set, ntree = 20, mtry = 4, data = set)
Type of random forest: unsupervised
Number of trees: 20
No. of variables tried at each split: 4
但如何识别？))
Error in predict.randomForest(model, set[1, ]) :
No forest component in the object
你是否有办法为我澄清这个问题？
================================================
我强烈建议你使用RandomUniformForest。那里有很多其他 "脚手架 "不具备的功能。特别是在无监督学习方面。
用随机统一森林进行无监督学习
描述
随机统一森林的无监督模式是为了在所有情况下提供聚类、降维、简易可视化、深层变量重要性、观察值、变量和聚类之间的关系。它还带有两个具体的要点：简易评估（聚类分析）和动态聚类，允许即时改变任何聚类形状。使用了一个三层引擎：异质性矩阵、多维缩放（MDS）或光谱分解、以及K-means或分层聚类。无监督模式不需要知道聚类的数量，这要归功于差距统计，并且继承了监督模式的主要算法特性，允许（几乎）任何类型的变量。
祝好运
是的，一般的问题是，是否有可能在没有老师的情况下教授所有这些流行的MOE包 - randomforest , nnet , svm ......。等等
福里斯特，只是把它作为一个例子......
实际上，我想训练一个 没有老师的卷积网络
是的，问题是一般性的，所有这些流行的MOE包--Randomforest , nnet , svm ...... 可以在没有老师的情况下教授吗？等等
福里斯特，只是把它作为一个例子......
实际上，我想教的是卷积网络，没有老师。
你想教它什么？
它背后的想法是什么？
我只知道这些模型可以在没有老师的情况下教它：AutoEncoder、RBM、不同品种的RF、聚类模型。但卷积式的是不可能的...
祝好运
你想教她什么？
这个想法是什么？
我只知道这些无师自通的学习模型：AutoEncoder、RBM、不同种类的RF、聚类模型。但卷积的是不可能的...
祝好运
嗯，因为卷积网络 可以检测到在形式上仍然略有不同的类似模式，这使得它与传统的 "线性 "MO不同。
如Forrest，一般网络等......
而我想在没有老师的情况下进行教学，因为首先把它分解成几个群组，比如 "自然地，通过相似性"，然后与目标相匹配，这比立即用目标进行教学，并根据目标创造/适应群组要好得多。
我写过关于集群的想法，对于我的目标来说，它确实比任何传统的MO更好用，如果你读...
这一切还有一个问题，那就是市场上没有任何情况是完全相同的，这是非平稳性的，在这里我看到两种方式，要么是卷积网络或DTW算法，要么是某种插值或外推法，甚至不知道其确切名称。
这个想法是为了使集群对非平稳性有更强的适应性。
请帮助我理解...
有一个这样的代码。
X <- rep(0,1000)
Y <- rep(999,100)
dat <- sample(c(X, Y))
dat
[1] 0 999 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
[28] 0 0 0 999 999 0 0 0 0 0 0 0 0 0 0 999 0 0 0 0 0 0 0 0 0 999 0
[55] 0 0 0 0 999 0 0 0 0 0 999 0 0 0 0 0 999 0 0 0 0 0 0 0 0 0 0
[82] 0 0 0 0 0 0 0 0 999 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
[109] 0 0 0 0 0 0 0 0 999 0 0 0 999 0 0 0 0 0 0 0 0 0 0 0 0 0 0
[136] 0 0 0 0 0 0 0 999 0 0 0 0 0 999 0 999 0 0 0 0 0 0 0 0 0 0 0
for(i in 101:length(dat)){
idx <- 1:i
s1 <- dat[idx]
s2 <- which(s1!=0) # s2 - получаем индексы нужного события те когда s1 было не ноль
s3 <- tail(s2,3) # оставляем три поледних индекса
print( dat[s3] )
}
[1] 999 999 999
[1] 999 999 999
[1] 999 999 999
[1] 999 999 999
[1] 999 999 999
[1] 999 999 999
[1] 999 999 999
[1] 999 999 999
[1] 999 999 999
一切都很好，一切都在工作，但线路上有一个问题。
在每一次迭代中，idx 向量都会增加，如果有大量的数据，那么代码就会变得非常慢，当然，越往后走就越慢。
我以一种简单的方式解决了这个问题--在每次迭代中，只取向量的最后100个值，而不是全部的
idx <- (i-100):i
idx <- (i-100):i # последние 100 значени вместо idx <- 1:i
s1 <- dat[idx]
s2 <- which(s1!=0) # s2 - получаем индексы нужного события те когда s1 было не ноль
s3 <- tail(s2,3) # оставляем три поледних индекса
print( dat[s3] )
}
但这段代码的输出看起来已经很混乱了
[1] 0 0 0
[1] 0 0 0
[1] 0 0 0
[1] 0 0 0
[1] 0 0 0
[1] 999 0 0
[1] 0 0 0
[1] 0 0 999
[1] 999 0 0
[1] 0 0 0
[1] 0 0 0
到底是什么问题？ 一切似乎都是正确的，是不是有一个错误或什么？
mytarmailS:
这到底是怎么回事？ 没事的，是错误还是什么？
这实际上被称为 "有一个错误，但没有如何重现它的例子"。你需要一个有100多列的特殊表格，然后它就会出问题。而这个例子是一小块表，你不能在上面检查任何东西，而且也是通过文本而不是通过RData文件。
纯粹是随机的--我认为错误是在索引中。
如果你将s1相对于dat表的开头移动(i-100)-1，那么当你用获得的新索引再次访问dat时，应该考虑到这个移动。最后一行应该是print(dat[i-101+s3])。它可能是100而不是101。或102。在这些数字的某处 :)
pantural。
这叫 "内衣"，就像你无耻地把你的内衣戳到女士和先生们的脸上，而这对你周围的人来说并不合适。最好是藏起你的内衣。例如，你见过尼古拉-科西岑或雷谢托夫展示他们的内裤吗？
========================
你可以说这是一个 "恶搞"，但在R社区，在提出问题时引用可重复的代码是一种习惯。而这是正确的。没有引用代码的故事是空话。这个主题的目的是用国防部的例子进行教学。
为什么你要为你周围的人报名？没有必要制定规则，没有人授权你这样做。
所有的权利做mytarmailS和其他参与者谁给代码的例子，许多人可以学习一些有用的东西为自己。