few last things
[valse.git] / pkg / R / constructionModelesLassoMLE.R
CommitLineData
51485a7d 1constructionModelesLassoMLE = function(phiInit,rhoInit,piInit,gamInit,mini,maxi,gamma,
2 X,Y,seuil,tau,selected, parallel = FALSE)
46a2e676 3{
51485a7d 4 if (parallel) {
5 #TODO: parameter ncores (chaque tâche peut aussi demander du parallélisme...)
6 cl = parallel::makeCluster( parallel::detectCores() / 4 )
7 parallel::clusterExport(cl=cl,
8 varlist=c("phiInit","rhoInit","gamInit","mini","maxi","X","Y","seuil","tau"),
9 envir=environment())
10 #Pour chaque lambda de la grille, on calcule les coefficients
11 out = parLapply( seq_along(glambda), function(lambda)
12 {
13 n = dim(X)[1]
14 p = dim(phiInit)[1]
15 m = dim(phiInit)[2]
16 k = dim(phiInit)[3]
17
18 #TODO: phiInit[selected] et X[selected] sont bien sûr faux; par quoi remplacer ?
19 #lambda == 0 c'est normal ? -> ED : oui, ici on calcule le maximum de vraisembance, donc on ne pénalise plus
20 res = EMGLLF(phiInit[selected],rhoInit,piInit,gamInit,mini,maxi,gamma,0.,X[selected],Y,tau)
21
22 #comment évaluer la dimension à partir du résultat et de [not]selected ?
23 #dimension = ...
24
25 #on veut calculer la vraisemblance avec toutes nos estimations
26 densite = vector("double",n)
27 for (r in 1:k)
28 {
29 delta = Y%*%rho[,,r] - (X[selected]%*%res$phi[selected,,r])
30 densite = densite + pi[r] *
31 det(rho[,,r])/(sqrt(2*base::pi))^m * exp(-tcrossprod(delta)/2.0)
32 }
33 llh = c( sum(log(densite[,lambda])), (dimension+m+1)*k-1 )
34 list("phi"=res$phi, "rho"=res$rho, "pi"=res$pi, "llh" = llh)
35 })
36 parallel::stopCluster(cl)
37 out
38 }
39 else {
40 #Pour chaque lambda de la grille, on calcule les coefficients
41 n = dim(X)[1]
42 p = dim(phiInit)[1]
43 m = dim(phiInit)[2]
44 k = dim(phiInit)[3]
45 L = length(selected)
46 phi = list()
47 phiLambda = array(0, dim = c(p,m,k))
48 rho = list()
49 pi = list()
50 llh = list()
51
3f62d540 52 out = lapply( seq_along(selected), function(lambda)
53 {
64b28e3e 54 print(lambda)
51485a7d 55 sel.lambda = selected[[lambda]]
56 col.sel = which(colSums(sel.lambda)!=0)
64b28e3e 57 if (length(col.sel)>0){
58 res_EM = EMGLLF(phiInit[col.sel,,],rhoInit,piInit,gamInit,mini,maxi,gamma,0.,X[,col.sel],Y,tau)
59 phiLambda2 = res_EM$phi
60 rhoLambda = res_EM$rho
61 piLambda = res_EM$pi
62 for (j in 1:length(col.sel)){
63 phiLambda[col.sel[j],,] = phiLambda2[j,,]
51485a7d 64 }
64b28e3e 65
66 dimension = 0
67 for (j in 1:p){
68 b = setdiff(1:m, sel.lambda[,j])
69 if (length(b) > 0){
70 phiLambda[j,b,] = 0.0
71 }
72 dimension = dimension + sum(sel.lambda[,j]!=0)
73 }
74
75 #on veut calculer la vraisemblance avec toutes nos estimations
76 densite = vector("double",n)
77 for (r in 1:k)
78 {
79 delta = Y%*%rhoLambda[,,r] - (X[, col.sel]%*%phiLambda[col.sel,,r])
80 densite = densite + piLambda[r] *
81 det(rhoLambda[,,r])/(sqrt(2*base::pi))^m * exp(-tcrossprod(delta)/2.0)
82 }
83 llhLambda = c( sum(log(densite)), (dimension+m+1)*k-1 )
84 list("phi"= phiLambda, "rho"= rhoLambda, "pi"= piLambda, "llh" = llhLambda)
51485a7d 85 }
51485a7d 86 }
3f62d540 87 )
88 return(out)
51485a7d 89 }
c3bc4705 90}