小编And*_*ull的帖子

JSD矩阵是基于Jensen-Shannon散度的分布的相似性矩阵.给定矩阵m哪些行呈现分布,我们希望找到每个分布之间的JSD距离.得到的JSD矩阵是一个方形矩阵,其维数为nrow(m)x nrow(m).这是三角矩阵,其中每个元素包含m行中两行之间的JSD值.

JSD可以通过以下R函数计算:

JSD<- function(x,y) sqrt(0.5 * (sum(x*log(x/((x+y)/2))) + sum(y*log(y/((x+y)/2)))))

其中x,y是矩阵m中的行.

我在R中尝试了不同的JSD矩阵计算算法,以找出最快的算法.令我惊讶的是,具有两个嵌套循环的算法比不同的矢量化版本(并行化或非并行化)执行得更快.我对结果不满意.你能找到比我游戏更好的解决方案吗？

library(parallel)
library(plyr)
library(doParallel)
library(foreach)

nodes <- detectCores()
cl <- makeCluster(4)
registerDoParallel(cl)

m <- runif(24000, min = 0, max = 1)
m <- matrix(m, 24, 1000)
prob_dist <- function(x) t(apply(x, 1, prop.table))
JSD<- function(x,y) sqrt(0.5 * (sum(x*log(x/((x+y)/2))) + sum(y*log(y/((x+y)/2)))))
m <- t(prob_dist(m))
m[m==0] <- 0.000001

具有两个嵌套循环的算法:

dist.JSD_2 <- function(inMatrix) {
  matrixColSize <- ncol(inMatrix)
  resultsMatrix <- matrix(0, matrixColSize, matrixColSize)
  for(i in 2:matrixColSize) {
    for(j in 1:(i-1)) { 
      resultsMatrix[i,j]=JSD(inMatrix[,i], …

我有一个有n行观察的矩阵.观察是特征的频率分布.我想将频率分布转换为概率分布,其中每行的总和为1.因此,矩阵中的每个元素应除以元素行的总和.

我编写了以下R函数来完成工作,但是对于大型矩阵来说它非常慢:

prob_dist <- function(x) {

    row_prob_dist <- function(row) {
       return (t(lapply(row, function(x,y=sum(row)) x/y)))
       }

    for (i in 1:nrow(x)) {
       if (i==1) p_dist <- row_prob_dist(x[i,])
       else p_dist <- rbind(p_dist, row_prob_dist(x[i,]))
       }
    return(p_dist)
}

B = matrix(c(2, 4, 3, 1, 5, 7), nrow=3, ncol=2)
B
     [,1] [,2]
[1,]    2    1
[2,]    4    5
[3,]    3    7

prob_dist(B)
     [,1]      [,2]    
[1,] 0.6666667 0.3333333
[2,] 0.4444444 0.5555556
[3,] 0.3       0.7     

你能建议R功能完成这项工作和/或告诉我如何优化我的功能以更快地执行？