pkg/R/constructionModelesLassoMLE.R

   1 constructionModelesLassoMLE = function(phiInit,rhoInit,piInit,gamInit,mini,maxi,gamma,
   2                                        X,Y,seuil,tau,selected, parallel = FALSE)
   3 {
   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
  52     out = lapply( seq_along(selected), function(lambda)
  53     {
  54       sel.lambda = selected[[lambda]]
  55       col.sel = which(colSums(sel.lambda)!=0)
  56       res_EM = EMGLLF(phiInit[col.sel,,],rhoInit,piInit,gamInit,mini,maxi,gamma,0.,X[,col.sel],Y,tau)
  57       phiLambda2 = res_EM$phi
  58       rhoLambda = res_EM$rho
  59       piLambda = res_EM$pi
  60       for (j in 1:length(col.sel)){
  61         phiLambda[col.sel[j],,] = phiLambda2[j,,]
  62       }
  63
  64       dimension = 0
  65       for (j in 1:p){
  66         b = setdiff(1:m, sel.lambda[,j])
  67         if (length(b) > 0){
  68           phiLambda[j,b,] = 0.0
  69         }
  70         dimension = dimension + sum(sel.lambda[,j]!=0)
  71       }
  72
  73       #on veut calculer la vraisemblance avec toutes nos estimations
  74       densite = vector("double",n)
  75       for (r in 1:k)
  76       {
  77         delta = Y%*%rhoLambda[,,r] - (X[, col.sel]%*%phiLambda[col.sel,,r])
  78         densite = densite + piLambda[r] *
  79           det(rhoLambda[,,r])/(sqrt(2*base::pi))^m * exp(-tcrossprod(delta)/2.0)
  80       }
  81       llhLambda = c( sum(log(densite)), (dimension+m+1)*k-1 )
  82       list("phi"= phiLambda, "rho"= rhoLambda, "pi"= piLambda, "llh" = llhLambda)
  83     }
  84     )
  85     return(out)
  86   }
  87 }