El error se produce al hacer la predicción.
Date: Thu, 18 Mar 2010 11:19:12 +0100
Subject: Re: [R-es] aumentar tamaño de memoria a mas de 4Gb?
From: cgb en datanalytics.com
To: luxorvrg en hotmail.com
CC: r-help-es en r-project.org
Hola, ¿qué tal?
¿Sabes exactamente dónde se produce el error? ¿Es al construir el
modelo o al hacer la predicción?
Si sucede lo primero, ¿de qué tamaño es tu conjunto de entrenamiento?
Un saludo,
Carlos J. Gil Bellosta
http://www.datanalytics.com
El dÃa 18 de marzo de 2010 10:43, VÃctor RodrÃguez Galiano
<luxorvrg en hotmail.com> escribió:
Hola de nuevo,
Esta es la información de mi sesion:
R version 2.10.1 (2009-12-14)
i386-pc-mingw32
locale:
[1] LC_COLLATE=Spanish_Spain.1252 Â LC_CTYPE=Spanish_Spain.1252
[3] LC_MONETARY=Spanish_Spain.1252 LC_NUMERIC=C
[5] LC_TIME=Spanish_Spain.1252
attached base packages:
[1] stats   graphics  grDevices utils   datasets  methods  base
Lo que yo prentendo es clasificar unos datos que están en ficheros de texto, el tamaño de cada uno de estos ficheros va desde los 10mb a 90mb. En un fichero de texto (input) le indico los ficheros que tiene que ir cogiendo para predecir y en el archivo output los nombres de los ficheros de salida con las clasificaciones. Como os comentaba antes, con el clasificador randomForest no tengo problema pero si con support vector. Cuando trabajo con los datos de entrenamiento y test no hay ningún problema. El problema surge al intentar clasificar nuevos ejemplos.
Os adjunto también el codigo que meto para clasificar por si :
# R script for running random forest classification model and prediction for many segments/areas
# Need to run calibration only once for full model and then run prediction in a loop for different segments/areas/regions
###################################################################################################################
# Part 1: calibration
library(e1071)
#calibration step
calibrate<-read.table("calibration.txt", header=TRUE)
calibrate$calibration<-as.factor(calibrate$calibration)
calibrate.rf<-svm(calibration~B1+B14+B15+B16+B17+B18+B19+B20+B21+B24+B25+B26+B51+B52+B53+B54+B55+B56+B57+B58+B59+B60+B61+B62, data=calibrate, cost=6.8, gamma=0.08)
####################################################################################################################
####################################################################################################################
# Part 2: Automated Prediction
#R automated prediction step for support vector
#Note: first you need to calibrate the model separately and then run this script for different image segments/areas
#Note: this script requires two input text files called input.txt and output.txt
#The first line of input.txt gives the header, the second line the number of input segments (eg. bands and elevation values) and then the later lines list the names of the input segments with txt extension
#The first line of output.txt gives the header, the second line the number of output segments which is predicted by the classifier and then the later lines list the names of the output predicted segments with txt extension
# reading the parameter files
input<-read.table("input.txt", header=TRUE)
output<-read.table("output.txt", header=TRUE)
# no_elements for 1 and 2 should be the same
no_elements1<-as.integer(toString(input$para1[1]))
no_elements2<-as.integer(toString(input$para2[1]))
# increasing the memory limit to 4 MB
memory.limit(size=4000)
for (i in 1:no_elements1) {
 input_name<-toString(input$para1[i+1])
 predict<-read.table(input_name, header=TRUE)
 predValues<-predict(calibrate.rf, predict)
 predValues<-as.numeric(predValues)
 output_name<-toString(output$para2[i+1])
 write.table(predValues, output_name, row.names=FALSE, col.names=output_name)
}
Lo que muestra la funcion str() es lo siguiente:
'data.frame':  2 obs. of  1 variable:
 $ para2: Factor w/ 2 levels "1","2H_map.txt": 1 2
'data.frame':  2 obs. of  1 variable:
 $ para1: Factor w/ 2 levels "1","2H.txt": 1 2