X-Git-Url: https://git.auder.net/?p=valse.git;a=blobdiff_plain;f=pkg%2FR%2FconstructionModelesLassoMLE.R;h=ed08b38c3ae873f528188f32cdb38c88dc0ef1a0;hp=50879c935aea7e04042024e2f51a071cb554fa7f;hb=51485a7d0aafe7c31c9651fcc2e33ebd2f8a5e82;hpb=77fde6fc68ce70ca07a371be4511993d5516085d

diff --git a/pkg/R/constructionModelesLassoMLE.R b/pkg/R/constructionModelesLassoMLE.R
index 50879c9..ed08b38 100644
--- a/pkg/R/constructionModelesLassoMLE.R
+++ b/pkg/R/constructionModelesLassoMLE.R
@@ -1,37 +1,88 @@
-constructionModelesLassoMLE = function(phiInit,rhoInit,piInit,gamInit,mini,maxi,gamma,glambda,
-	X,Y,seuil,tau,selected)
+constructionModelesLassoMLE = function(phiInit,rhoInit,piInit,gamInit,mini,maxi,gamma,
+                                       X,Y,seuil,tau,selected, parallel = FALSE)
 {
-	#TODO: parameter ncores (chaque tâche peut aussi demander du parallélisme...)
-	cl = parallel::makeCluster( parallel::detectCores() / 4 )
-	parallel::clusterExport(cl=cl,
-		varlist=c("phiInit","rhoInit","gamInit","mini","maxi","glambda","X","Y","seuil","tau"),
-		envir=environment())
-	#Pour chaque lambda de la grille, on calcule les coefficients
-	out = parLapply( seq_along(glambda), function(lambdaindex)
-	{
-		n = dim(X)[1]
-		p = dim(phiInit)[1]
-		m = dim(phiInit)[2]
-		k = dim(phiInit)[3]
-
-		#TODO: phiInit[selected] et X[selected] sont bien sûr faux; par quoi remplacer ?
-		#lambda == 0 c'est normal ? -> ED : oui, ici on calcule le maximum de vraisembance, donc on ne pénalise plus
-    res = EMGLLF(phiInit[selected],rhoInit,piInit,gamInit,mini,maxi,gamma,0.,X[selected],Y,tau)
-
-		#comment évaluer la dimension à partir du résultat et de [not]selected ?
-    #dimension = ...
-
-    #on veut calculer la vraisemblance avec toutes nos estimations
-		densite = vector("double",n)
-		for (r in 1:k)
-		{
-			delta = Y%*%rho[,,r] - (X[selected]%*%res$phi[selected,,r])
-			densite = densite + pi[r] *
-				det(rho[,,r])/(sqrt(2*base::pi))^m * exp(-tcrossprod(delta)/2.0)
-		}
-		llh = c( sum(log(densite[,lambdaIndex])), (dimension+m+1)*k-1 )
-		list("phi"=res$phi, "rho"=res$rho, "pi"=res$pi, "llh" = llh)
-	})
-	parallel::stopCluster(cl)
-	out
+  if (parallel) {
+    #TODO: parameter ncores (chaque tâche peut aussi demander du parallélisme...)
+    cl = parallel::makeCluster( parallel::detectCores() / 4 )
+    parallel::clusterExport(cl=cl,
+                            varlist=c("phiInit","rhoInit","gamInit","mini","maxi","X","Y","seuil","tau"),
+                            envir=environment())
+    #Pour chaque lambda de la grille, on calcule les coefficients
+    out = parLapply( seq_along(glambda), function(lambda)
+    {
+      n = dim(X)[1]
+      p = dim(phiInit)[1]
+      m = dim(phiInit)[2]
+      k = dim(phiInit)[3]
+      
+      #TODO: phiInit[selected] et X[selected] sont bien sûr faux; par quoi remplacer ?
+      #lambda == 0 c'est normal ? -> ED : oui, ici on calcule le maximum de vraisembance, donc on ne pénalise plus
+      res = EMGLLF(phiInit[selected],rhoInit,piInit,gamInit,mini,maxi,gamma,0.,X[selected],Y,tau)
+      
+      #comment évaluer la dimension à partir du résultat et de [not]selected ?
+      #dimension = ...
+      
+      #on veut calculer la vraisemblance avec toutes nos estimations
+      densite = vector("double",n)
+      for (r in 1:k)
+      {
+        delta = Y%*%rho[,,r] - (X[selected]%*%res$phi[selected,,r])
+        densite = densite + pi[r] *
+          det(rho[,,r])/(sqrt(2*base::pi))^m * exp(-tcrossprod(delta)/2.0)
+      }
+      llh = c( sum(log(densite[,lambda])), (dimension+m+1)*k-1 )
+      list("phi"=res$phi, "rho"=res$rho, "pi"=res$pi, "llh" = llh)
+    })
+    parallel::stopCluster(cl)
+    out
+  }
+  else {
+    #Pour chaque lambda de la grille, on calcule les coefficients
+    n = dim(X)[1]
+    p = dim(phiInit)[1]
+    m = dim(phiInit)[2]
+    k = dim(phiInit)[3]
+    L = length(selected)
+    phi = list()
+    phiLambda = array(0, dim = c(p,m,k))
+    rho = list()
+    pi = list()
+    llh = list()
+    
+    for (lambda in 1:L){
+      sel.lambda = selected[[lambda]]
+      col.sel = which(colSums(sel.lambda)!=0)
+      res_EM = EMGLLF(phiInit[col.sel,,],rhoInit,piInit,gamInit,mini,maxi,gamma,0.,X[,col.sel],Y,tau)
+      phiLambda2 = res_EM$phi
+      rhoLambda = res_EM$rho
+      piLambda = res_EM$pi
+      for (j in 1:length(col.sel)){
+        phiLambda[col.sel[j],,] = phiLambda2[j,,]
+      }
+      
+      dimension = 0
+      for (j in 1:p){
+        b = setdiff(1:m, sel.lambda[,j])
+        if (length(b) > 0){
+          phiLambda[j,b,] = 0.0
+        }
+        dimension = dimension + sum(sel.lambda[,j]!=0)
+      }
+      
+      #on veut calculer la vraisemblance avec toutes nos estimations
+      densite = vector("double",n)
+      for (r in 1:k)
+      {
+        delta = Y%*%rhoLambda[,,r] - (X[, col.sel]%*%phiLambda[col.sel,,r])
+        densite = densite + piLambda[r] *
+          det(rhoLambda[,,r])/(sqrt(2*base::pi))^m * exp(-tcrossprod(delta)/2.0)
+      }
+      llhLambda = c( sum(log(densite)), (dimension+m+1)*k-1 )
+      rho[[lambda]] = rhoLambda
+      phi[[lambda]] = phiLambda
+      pi[[lambda]] = piLambda
+      llh[[lambda]] = llhLambda
+    }
+  }
+  return(list("phi"=phi, "rho"=rho, "pi"=pi, "llh" = llh))
 }