【发布时间】：2020-04-25 06:08:58
【问题描述】：
rm(list=ls())
library(gld)
library(GLDEX)
find_likelihood = function(x){
fit = fit.fkml(x,"ML",return.data=TRUE)
params = fit$optim.results$par
dens = dgl(x, c(params), param = "fmkl", inverse.eps = 1e-08, max.iterations = 500)
dens[dens < 1e-12] = 1e-12
value = -sum(log(dens))
return(value)
}
loglik_com = NULL
min_value = NULL
for(j in 1: 1000){
x = rgl(100,c(2, 1, 1, 1), param="fkml")
for (i in 2:(100 - 2)) {
a = x[1:i]
b = x[(i + 1):100]
loglik_com[i] = find_likelihood(a) + find_likelihood(b)
}
min_value[j] = min(na.omit(loglik_com))
}
min_value
在我上面的 R 函数中，我有 1000 次迭代，但需要将近 7 个小时才能得到结果。我的问题是，我可以使用 apply() 函数来加快结果吗？或者我可以使用任何其他方式来加速我的 r 函数？
提前谢谢你。
【问题讨论】：
-
对 rgl 的调用在循环中做了什么。似乎没有必要在循环内这样做。实际上，整个 for j 循环在您的示例中似乎什么也没做。可能是因为您简化了示例，这很好，但在这种情况下，请在您的问题中提及。
-
@JanvanderLaan，rgl 函数允许在每次迭代中生成随机样本。
标签： r for-loop apply distribution