Folder reorganization
[valse.git] / pkg / R / constructionModelesLassoMLE.R
1 constructionModelesLassoMLE = function(phiInit,rhoInit,piInit,gamInit,mini,maxi,gamma,glambda,
2 X,Y,seuil,tau,selected)
3 {
4 #TODO: parameter ncores (chaque tâche peut aussi demander du parallélisme...)
5 cl = parallel::makeCluster( parallel::detectCores() / 4 )
6 parallel::clusterExport(cl=cl,
7 varlist=c("phiInit","rhoInit","gamInit","mini","maxi","glambda","X","Y","seuil","tau"),
8 envir=environment())
9 #Pour chaque lambda de la grille, on calcule les coefficients
10 out = parLapply( seq_along(glambda), function(lambdaindex)
11 {
12 n = dim(X)[1]
13 p = dim(phiInit)[1]
14 m = dim(phiInit)[2]
15 k = dim(phiInit)[3]
16
17 #TODO: phiInit[selected] et X[selected] sont bien sûr faux; par quoi remplacer ?
18 #lambda == 0 c'est normal ? -> ED : oui, ici on calcule le maximum de vraisembance, donc on ne pénalise plus
19 res = EMGLLF(phiInit[selected],rhoInit,piInit,gamInit,mini,maxi,gamma,0.,X[selected],Y,tau)
20
21 #comment évaluer la dimension à partir du résultat et de [not]selected ?
22 #dimension = ...
23
24 #on veut calculer la vraisemblance avec toutes nos estimations
25 densite = vector("double",n)
26 for (r in 1:k)
27 {
28 delta = Y%*%rho[,,r] - (X[selected]%*%res$phi[selected,,r])
29 densite = densite + pi[r] *
30 det(rho[,,r])/(sqrt(2*base::pi))^m * exp(-tcrossprod(delta)/2.0)
31 }
32 llh = c( sum(log(densite[,lambdaIndex])), (dimension+m+1)*k-1 )
33 list("phi"=res$phi, "rho"=res$rho, "pi"=res$pi, "llh" = llh)
34 })
35 parallel::stopCluster(cl)
36 out
37 }