#' @return a list with several models, defined by phi, rho, pi, llh
#'
#' @export
-constructionModelesLassoRank <- function(S, k, mini, maxi, X, Y, eps, rank.min, rank.max,
- ncores, fast = TRUE, verbose = FALSE)
- {
- n <- dim(X)[1]
- p <- dim(X)[2]
- m <- dim(Y)[2]
+constructionModelesLassoRank <- function(S, k, mini, maxi, X, Y, eps, rank.min, rank.max,
+ ncores, fast, verbose)
+{
+ n <- nrow(X)
+ p <- ncol(X)
+ m <- ncol(Y)
L <- length(S)
-
+
# Possible interesting ranks
deltaRank <- rank.max - rank.min + 1
Size <- deltaRank^k
for (r in 1:k)
{
# On veut le tableau de toutes les combinaisons de rangs possibles, et des
- # lambdas Dans la première colonne : on répète (rank.max-rank.min)^(k-1) chaque
- # chiffre : ça remplit la colonne Dans la deuxieme : on répète
- # (rank.max-rank.min)^(k-2) chaque chiffre, et on fait ça (rank.max-rank.min)^2
- # fois ... Dans la dernière, on répète chaque chiffre une fois, et on fait ça
+ # lambdas Dans la premiere colonne : on repete (rank.max-rank.min)^(k-1) chaque
+ # chiffre : ca remplit la colonne Dans la deuxieme : on repete
+ # (rank.max-rank.min)^(k-2) chaque chiffre, et on fait ca (rank.max-rank.min)^2
+ # fois ... Dans la derniere, on repete chaque chiffre une fois, et on fait ca
# (rank.min-rank.max)^(k-1) fois.
- RankLambda[, r] <- rep(rank.min + rep(0:(deltaRank - 1), deltaRank^(r - 1),
+ RankLambda[, r] <- rep(rank.min + rep(0:(deltaRank - 1), deltaRank^(r - 1),
each = deltaRank^(k - r)), each = L)
}
RankLambda[, k + 1] <- rep(1:L, times = Size)
-
+
if (ncores > 1)
{
cl <- parallel::makeCluster(ncores, outfile = "")
- parallel::clusterExport(cl, envir = environment(), varlist = c("A1", "Size",
- "Pi", "Rho", "mini", "maxi", "X", "Y", "eps", "Rank", "m", "phi", "ncores",
+ parallel::clusterExport(cl, envir = environment(), varlist = c("A1", "Size",
+ "Pi", "Rho", "mini", "maxi", "X", "Y", "eps", "Rank", "m", "phi", "ncores",
"verbose"))
}
-
+
computeAtLambda <- function(index)
{
lambdaIndex <- RankLambda[index, k + 1]
rankIndex <- RankLambda[index, 1:k]
- if (ncores > 1)
+ if (ncores > 1)
require("valse") #workers start with an empty environment
-
+
# 'relevant' will be the set of relevant columns
selected <- S[[lambdaIndex]]$selected
relevant <- c()
for (j in 1:p)
{
if (length(selected[[j]]) > 0)
- {
relevant <- c(relevant, j)
- }
}
if (max(rankIndex) < length(relevant))
{
phi <- array(0, dim = c(p, m, k))
if (length(relevant) > 0)
{
- res <- EMGrank(S[[lambdaIndex]]$Pi, S[[lambdaIndex]]$Rho, mini, maxi,
+ res <- EMGrank(S[[lambdaIndex]]$Pi, S[[lambdaIndex]]$Rho, mini, maxi,
X[, relevant], Y, eps, rankIndex, fast)
- llh <- c(res$LLF, sum(rankIndex * (length(relevant) - rankIndex +
- m)))
+ llh <- c(res$LLF, sum(rankIndex * (length(relevant) - rankIndex + m)))
phi[relevant, , ] <- res$phi
}
list(llh = llh, phi = phi, pi = S[[lambdaIndex]]$Pi, rho = S[[lambdaIndex]]$Rho)
-
}
}
-
+
# For each lambda in the grid we compute the estimators
- out <- if (ncores > 1)
- {
- parLapply(cl, seq_len(length(S) * Size), computeAtLambda)
- } else
- {
- lapply(seq_len(length(S) * Size), computeAtLambda)
- }
-
- if (ncores > 1)
+ out <-
+ if (ncores > 1) {
+ parallel::parLapply(cl, seq_len(length(S) * Size), computeAtLambda)
+ } else {
+ lapply(seq_len(length(S) * Size), computeAtLambda)
+ }
+
+ if (ncores > 1)
parallel::stopCluster(cl)
-
+
out
}