Questions tagged «parallel-computing»

我有R脚本，用于从不同文件中读取大量的CSV数据，然后执行诸如svm的机器学习任务以进行分类。 是否有任何库可用于R的服务器上的多个内核 ？ 或者 什么是最合适的方法？

28 r  parallel-computing  multicore 

执行主成分分析（PCA）之后，我想将一个新向量投影到PCA空间上（即在PCA坐标系中找到其坐标）。 我已经使用R计算了R语言的PCA prcomp。现在，我应该可以将向量乘以PCA旋转矩阵。该矩阵中的主要成分应该按行还是按列排列？

21 r  pca  r  variance  heteroscedasticity  misspecification  distributions  time-series  data-visualization  modeling  histogram  kolmogorov-smirnov  negative-binomial  likelihood-ratio  econometrics  panel-data  categorical-data  scales  survey  distributions  pdf  histogram  correlation  algorithms  r  gpu  parallel-computing  approximation  mean  median  references  sample-size  normality-assumption  central-limit-theorem  rule-of-thumb  confidence-interval  estimation  mixed-model  psychometrics  random-effects-model  hypothesis-testing  sample-size  dataset  large-data  regression  standard-deviation  variance  approximation  hypothesis-testing  variance  central-limit-theorem  kernel-trick  kernel-smoothing  error  sampling  hypothesis-testing  normality-assumption  philosophical  confidence-interval  modeling  model-selection  experiment-design  hypothesis-testing  statistical-significance  power  asymptotics  information-retrieval  anova  multiple-comparisons  ancova  classification  clustering  factor-analysis  psychometrics  r  sampling  expectation-maximization  markov-process  r  data-visualization  correlation  regression  statistical-significance  degrees-of-freedom  experiment-design  r  regression  curve-fitting  change-point  loess  machine-learning  classification  self-study  monte-carlo  markov-process  references  mathematical-statistics  data-visualization  python  cart  boosting  regression  classification  robust  cart  survey  binomial  psychometrics  likert  psychology  asymptotics  multinomial 

在本论坛中，谁愿意将“> R与多核，snow软件包或CUDA一起使用，因此对于需要比工作站CPU更大功率的高级计算？您在哪个硬件上计算这些脚本？数据中心访问某处？ 这些问题的背景如下：我目前正在写我的硕士学位。关于R和高性能计算的论文，需要对谁真正使用R有深入的了解。我读到R在2008年拥有100万用户，但这几乎是我可以找到的关于该主题的唯一用户统计信息-所以我希望您能答案！ 真诚的海因里希

16 r  mathematical-statistics  computing  parallel-computing 

在R中编程时，我已经使用了多核软件包几次。但是，我从未见过有关如何处理随机数的声明。当我将openMP与C一起使用时，我会谨慎使用适当的并行RNG，但对于R，我假设发生了一些明智的事情。任何人都可以确认发生了明智的事情吗？ 例 根据文档，我们有 x <- foreach(icount(1000), .combine = "+") %do% rnorm(4) 是如何rnorm产生的？

15 r  random-generation  parallel-computing  multicore 

我正在处理数据集。使用一些模型识别技术后，我得出了一个ARIMA（0,2,1）模型。 我使用R detectIO包TSA中的函数在对原始数据集进行第48次观察时检测到创新的离群值（IO）。 如何将这个离群值合并到模型中，以便将其用于预测？我不想使用ARIMAX模型，因为我可能无法根据R中的模型做出任何预测。还有其他方法可以做到吗？ 以下是我的价值观： VALUE <- scan() 4.6 4.5 4.4 4.5 4.4 4.6 4.7 4.6 4.7 4.7 4.7 5.0 5.0 4.9 5.1 5.0 5.4 5.6 5.8 6.1 6.1 6.5 6.8 7.3 7.8 8.3 8.7 9.0 9.4 9.5 9.5 9.6 9.8 10.0 9.9 9.9 9.8 9.8 9.9 9.9 9.6 9.4 …

10 r  time-series  arima  outliers  hypergeometric  fishers-exact  r  time-series  intraclass-correlation  r  logistic  glmm  clogit  mixed-model  spss  repeated-measures  ancova  machine-learning  python  scikit-learn  distributions  data-transformation  stochastic-processes  web  standard-deviation  r  machine-learning  spatial  similarities  spatio-temporal  binomial  sparse  poisson-process  r  regression  nonparametric  r  regression  logistic  simulation  power-analysis  r  svm  random-forest  anova  repeated-measures  manova  regression  statistical-significance  cross-validation  group-differences  model-comparison  r  spatial  model-evaluation  parallel-computing  generalized-least-squares  r  stata  fitting  mixture  hypothesis-testing  categorical-data  hypothesis-testing  anova  statistical-significance  repeated-measures  likert  wilcoxon-mann-whitney  boxplot  statistical-significance  confidence-interval  forecasting  prediction-interval  regression  categorical-data  stata  least-squares  experiment-design  skewness  reliability  cronbachs-alpha  r  regression  splines  maximum-likelihood  modeling  likelihood-ratio  profile-likelihood  nested-models 

更新：插入符现在在foreach内部使用，因此此问题不再真正相关。如果您可以为其注册一个工作的并行后端foreach，则插入符号将使用它。 我有用于R 的插入符号包，使用该train函数交叉验证我的模型很有趣。但是，我想加快处理速度，看来插入符号为并行处理提供了支持。在Windows计算机上访问此功能的最佳方法是什么？我有doSMP软件包，但是我不知道如何将foreach函数转换为lapply函数，因此可以将其传递给train函数。 这是train文档中我想要执行的示例：这正是我想要执行的操作，但使用的是doSMP包而不是doMPI包。 ## A function to emulate lapply in parallel mpiCalcs <- function(X, FUN, ...) } theDots <- list(...) parLapply(theDots$cl, X, FUN) { library(snow) cl <- makeCluster(5, "MPI") ## 50 bootstrap models distributed across 5 workers mpiControl <- trainControl(workers = 5, number = 50, computeFunction = mpiCalcs, computeArgs …

10 r  parallel-computing 

我在R和计算机集群上运行模拟，并且遇到以下问题。在每台X台计算机上运行： fxT2 <- function(i) runif(10) nessay <- 100 c(mclapply(1:nessay, fxT2), recursive=TRUE) 有32台计算机，每台计算机具有16个核心。但是，大约2％的随机数是相同的。您将采取什么策略来避免这种情况？ 通过设置等待时间（即，将每个作业发送到X台计算机的时间延迟了几秒钟），我已经能够避免fxT2出现此问题。但是，对于fxt2来说似乎是非常特殊的。 问题在于，实际上fxT2是一项涉及伪随机数的漫长任务。在过程的最后，我希望得到同一统计实验的X * nessay复制，而不是 nessay复制。如何确保确实如此，是否有办法检查？

10 r  random-generation  parallel-computing  multicore