У меня есть программа на R, которая вычисляет большое количество решений наименьших квадратов (> 10000: обычно 100, 000+), и после профилирования это текущие узкие места для программы. У меня есть матрица A
с векторами столбцов, которые соответствуют охватывающим векторам и решению b
. Я пытаюсь найти решение для наименьших квадратов x
из Ax=b
. Матрицы типично имеют размер 4xj - многие из них не квадратные (j <4), и поэтому я ищу общие решения для недостаточно определенных систем.
Главный вопрос: Какой самый быстрый способ решить недостаточно определенную систему в R? У меня есть много решений, в которых используется нормальное уравнение, но я ищу подпрограмму в R, которая работает быстрее, чем любой из методов ниже.
Например: Решите систему для x
заданного Ax = b
учетом следующих ограничений:
- Система необязательно определяется [обычно
ncol (A) <= length(b)
] (ncol (A) <= length(b)
всегда выполняется). Таким образом,solve(A,b)
не работает, потому что для решения требуется квадратная матрица. - Вы можете предположить, что
t(A) %*% A
(эквивалентноcrossprod(A)
) не является единичным - это проверено ранее в программе - Вы можете использовать любой пакет, свободно доступный в R
- Решение не должно быть красивым - оно должно быть быстрым
- Верхняя граница размера
A
разумно равна 10x10, и нулевые элементы встречаются редко -A
обычно довольно плотный
Две случайные матрицы для тестирования...
A = matrix(runif(12), nrow = 4)
b = matrix(runif(4), nrow = 4)
Все функции ниже были профилированы. Они воспроизведены здесь:
f1 = function(A,b)
{
solve(t(A) %*% A, t(A) %*% b)
}
f2 = function(A,b)
{
solve(crossprod(A), crossprod(A, b))
}
f3 = function(A,b)
{
ginv(crossprod(A)) %*% crossprod(A,b) # From the 'MASS' package
}
f4 = function(A,b)
{
matrix.inverse(crossprod(A)) %*% crossprod(A,b) # From the 'matrixcalc' package
}
f5 = function(A,b)
{
qr.solve(crossprod(A), crossprod(A,b))
}
f6 = function(A,b)
{
svd.inverse(crossprod(A)) %*% crossprod(A,b)
}
f7 = function(A,b)
{
qr.solve(A,b)
}
f8 = function(A,b)
{
Solve(A,b) # From the 'limSolve' package
}
После тестирования f2
- текущий победитель. Я также проверил методы линейной модели - они были смехотворно медленными, учитывая всю другую информацию, которую они производят. Код был профилирован с использованием следующего:
library(ggplot2)
library(microbenchmark)
all.equal(
f1(A,b),
f2(A,b),
f3(A,b),
f4(A,b),
f5(A,b),
f6(A,b),
f7(A,b),
f8(A,b),
)
compare = microbenchmark(
f1(A,b),
f2(A,b),
f3(A,b),
f4(A,b),
f5(A,b),
f6(A,b),
f7(A,b),
f8(A,b),
times = 1000)
autoplot(compare)