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 }