-#include "EMGrank.h"
-#include "constructionModelesLassoRank.h"
-#include <gsl/gsl_linalg.h>
+#include <stdlib.h>
#include <omp.h>
-#include "omp_num_threads.h"
+#include <gsl/gsl_linalg.h>
+#include "EMGrank.h"
+#include "utils.h"
// TODO: comment on constructionModelesLassoRank purpose
-void constructionModelesLassoRank(
- // IN parameters
- const Real* Pi, // parametre initial des proportions
- const Real* Rho, // parametre initial de variance renormalisé
- Int mini, // nombre minimal d'itérations dans l'algorithme EM
- Int maxi, // nombre maximal d'itérations dans l'algorithme EM
- const Real* X, // régresseurs
- const Real* Y, // réponse
- Real tau, // seuil pour accepter la convergence
- const Int* A1, // matrice des coefficients des parametres selectionnes
- Int rangmin, //rang minimum autorisé
- Int rangmax, //rang maximum autorisé
+void constructionModelesLassoRank_core(
+ // IN parameters
+ const double* Pi,// parametre initial des proportions
+ const double* Rho, // parametre initial de variance renormalisé
+ int mini, // nombre minimal d'itérations dans l'algorithme EM
+ int maxi, // nombre maximal d'itérations dans l'algorithme EM
+ const double* X,// régresseurs
+ const double* Y,// réponse
+ double tau, // seuil pour accepter la convergence
+ const int* A1, // matrice des coefficients des parametres selectionnes
+ int rangmin, //rang minimum autorisé
+ int rangmax, //rang maximum autorisé
// OUT parameters (all pointers, to be modified)
- Real* phi, // estimateur ainsi calculé par le Lasso
- Real* lvraisemblance, // estimateur ainsi calculé par le Lasso
- // additional size parameters
- mwSize n, // taille de l'echantillon
- mwSize p, // nombre de covariables
- mwSize m, // taille de Y (multivarié)
- mwSize k, // nombre de composantes
- mwSize L) // taille de glambda
+ double* phi,// estimateur ainsi calculé par le Lasso
+ double* lvraisemblance,// estimateur ainsi calculé par le Lasso
+ // additional size parameters
+ int n,// taille de l'echantillon
+ int p,// nombre de covariables
+ int m,// taille de Y (multivarié)
+ int k,// nombre de composantes
+ int L)// taille de glambda
{
//On cherche les rangs possiblement intéressants
- Int deltaRank = rangmax-rangmin+1;
- mwSize Size = (mwSize)pow(deltaRank,k);
- Int* Rank = (Int*)malloc(Size*k*sizeof(Int));
- for (mwSize r=0; r<k; r++)
- {
+ int deltaRank = rangmax-rangmin+1;
+ int Size = (int)pow(deltaRank,k);
+ int* Rank = (int*)malloc(Size*k*sizeof(int));
+for (int r=0; r<k; r++)
+{
//On veut le tableau de toutes les combinaisons de rangs possibles
//Dans la première colonne : on répète (rangmax-rangmin)^(k-1) chaque chiffre : ca remplit la colonne
//Dans la deuxieme : on répète (rangmax-rangmin)^(k-2) chaque chiffre, et on fait ca (rangmax-rangmin)^2 fois
//...
//Dans la dernière, on répète chaque chiffre une fois, et on fait ca (rangmin-rangmax)^(k-1) fois.
- Int indexInRank = 0;
- Int value = 0;
+ int indexInRank = 0;
+ int value = 0;
while (indexInRank < Size)
{
- for (Int u=0; u<pow(deltaRank,k-r-1); u++)
- Rank[(indexInRank++)*k+r] = rangmin + value;
+ for (int u=0; u<pow(deltaRank,k-r-1); u++)
+ Rank[mi(indexInRank++,r,Size,k)] = rangmin + value;
value = (value+1) % deltaRank;
}
}
-
+
//Initialize phi to zero, because unactive variables won't be assigned
- for (mwSize i=0; i<p*m*k*L*Size; i++)
+ for (int i=0; i<p*m*k*L*Size; i++)
phi[i] = 0.0;
-
+
//initiate parallel section
- mwSize lambdaIndex;
+ int lambdaIndex;
omp_set_num_threads(OMP_NUM_THREADS);
#pragma omp parallel default(shared) private(lambdaIndex)
{
for (lambdaIndex=0; lambdaIndex<L; lambdaIndex++)
{
//On ne garde que les colonnes actives : active sera l'ensemble des variables informatives
- Int* active = (Int*)malloc(p*sizeof(Int));
- mwSize longueurActive = 0;
- for (Int j=0; j<p; j++)
+ int* active = (int*)malloc(p*sizeof(int));
+ int longueurActive = 0;
+ for (int j=0; j<p; j++)
{
- if (A1[j*L+lambdaIndex] != 0)
- active[longueurActive++] = A1[j*L+lambdaIndex] - 1;
+ if (A1[mi(j,lambdaIndex,p,L)] != 0)
+ active[longueurActive++] = A1[mi(j,lambdaIndex,p,L)] - 1;
}
-
+
if (longueurActive == 0)
continue;
-
+
//from now on, longueurActive > 0
- Real* phiLambda = (Real*)malloc(longueurActive*m*k*sizeof(Real));
- Real LLF;
- for (Int j=0; j<Size; j++)
+ double* phiLambda = (double*)malloc(longueurActive*m*k*sizeof(double));
+ double LLF;
+ for (int j=0; j<Size; j++)
{
//[phiLambda,LLF] = EMGrank(Pi(:,lambdaIndex),Rho(:,:,:,lambdaIndex),mini,maxi,X(:,active),Y,tau,Rank(j,:));
- Int* rank = (Int*)malloc(k*sizeof(Int));
- for (mwSize r=0; r<k; r++)
- rank[r] = Rank[j*k+r];
- Real* Xactive = (Real*)malloc(n*longueurActive*sizeof(Real));
- for (mwSize i=0; i<n; i++)
+ int* rank = (int*)malloc(k*sizeof(int));
+ for (int r=0; r<k; r++)
+ rank[r] = Rank[mi(j,r,Size,k)];
+ double* Xactive = (double*)malloc(n*longueurActive*sizeof(double));
+ for (int i=0; i<n; i++)
{
- for (mwSize jj=0; jj<longueurActive; jj++)
- Xactive[i*longueurActive+jj] = X[i*p+active[jj]];
+ for (int jj=0; jj<longueurActive; jj++)
+ Xactive[mi(i,jj,n,longueurActive)] = X[mi(i,active[jj],n,p)];
}
- Real* PiLambda = (Real*)malloc(k*sizeof(Real));
- for (mwSize r=0; r<k; r++)
- PiLambda[r] = Pi[r*L+lambdaIndex];
- Real* RhoLambda = (Real*)malloc(m*m*k*sizeof(Real));
- for (mwSize u=0; u<m; u++)
+ double* PiLambda = (double*)malloc(k*sizeof(double));
+ for (int r=0; r<k; r++)
+ PiLambda[r] = Pi[mi(r,lambdaIndex,k,L)];
+ double* RhoLambda = (double*)malloc(m*m*k*sizeof(double));
+ for (int u=0; u<m; u++)
{
- for (mwSize v=0; v<m; v++)
+ for (int v=0; v<m; v++)
{
- for (mwSize r=0; r<k; r++)
- RhoLambda[u*m*k+v*k+r] = Rho[u*m*k*L+v*k*L+r*L+lambdaIndex];
+ for (int r=0; r<k; r++)
+ RhoLambda[ai(u,v,r,m,m,k)] = Rho[ai4(u,v,r,lambdaIndex,m,m,k,L)];
}
}
- EMGrank(PiLambda,RhoLambda,mini,maxi,Xactive,Y,tau,rank,
+ EMGrank_core(PiLambda,RhoLambda,mini,maxi,Xactive,Y,tau,rank,
phiLambda,&LLF,
n,longueurActive,m,k);
free(rank);
free(PiLambda);
free(RhoLambda);
//lvraisemblance((lambdaIndex-1)*Size+j,:) = [LLF, dot(Rank(j,:), length(active)-Rank(j,:)+m)];
- lvraisemblance[(lambdaIndex*Size+j)*2] = LLF;
+ lvraisemblance[mi(lambdaIndex*Size+j,0,L*Size,2)] = LLF;
//dot(Rank(j,:), length(active)-Rank(j,:)+m)
- Real dotProduct = 0.0;
- for (mwSize r=0; r<k; r++)
- dotProduct += Rank[j*k+r] * (longueurActive-Rank[j*k+r]+m);
- lvraisemblance[(lambdaIndex*Size+j)*2+1] = dotProduct;
+ double dotProduct = 0.0;
+ for (int r=0; r<k; r++)
+ dotProduct += Rank[mi(j,r,Size,k)] * (longueurActive-Rank[mi(j,r,Size,k)]+m);
+ lvraisemblance[mi(lambdaIndex*Size+j,1,Size*L,2)] = dotProduct;
//phi(active,:,:,(lambdaIndex-1)*Size+j) = phiLambda;
- for (mwSize jj=0; jj<longueurActive; jj++)
+ for (int jj=0; jj<longueurActive; jj++)
{
- for (mwSize mm=0; mm<m; mm++)
+ for (int mm=0; mm<m; mm++)
{
- for (mwSize r=0; r<k; r++)
- phi[active[jj]*m*k*L*Size+mm*k*L*Size+r*L*Size+(lambdaIndex*Size+j)] = phiLambda[jj*m*k+mm*k+r];
+ for (int r=0; r<k; r++)
+ phi[ai5(active[jj],mm,r,lambdaIndex,j,p,m,k,L,Size)] = phiLambda[jj*m*k+mm*k+r];
}
}
}