Fatal编程技术网
  • r/
  • 模型收敛问题：ans.ret[meth，]中的错误<；-c（ans$par、ans$value、ans$FEVAL、ans$GEVAL、，

模型收敛问题：ans.ret[meth，]中的错误<；-c（ans$par、ans$value、ans$FEVAL、ans$GEVAL、，

r

模型收敛问题：ans.ret[meth，]中的错误<；-c（ans$par、ans$value、ans$FEVAL、ans$GEVAL、，,r,lme4,collaborative-filtering,convergence,R,Lme4,Collaborative Filtering,Convergence,我正在使用lme4构建一个协作过滤器，并遇到了收敛问题。试图通过以下资源解决问题，但出现了一个新错误： ans.ret[meth，]``` julia>@time m1=fit！（glmm（@formula（y~0+prod+x1+x2+x3+x4+（1 | grps）），dt，Bernoulli（）），fast=true，verbose=true） f_1:180528.00386[1.0] f_2:187488.87167[1.75] f_3:177702.14693[0.25] f_4:1

我正在使用
lme4
构建一个协作过滤器，并遇到了收敛问题。试图通过以下资源解决问题，但出现了一个新错误：

ans.ret[meth，]```

julia>@time m1=fit！（glmm（@formula（y~0+prod+x1+x2+x3+x4+（1 | grps）），dt，Bernoulli（）），fast=true，verbose=true）
f_1:180528.00386[1.0]
f_2:187488.87167[1.75]
f_3:177702.14693[0.25]
f_4:177671.46777[0.112452]
f_5:177676.1792[0.152245]
f_6:177667.49847[0.0374517]
f_7:177667.32134[0.0285566]
f_8:177667.11503[0.0108968]
f_9:177667.08367[0.00339678]
f_10:177667.08031[0.000203859]
f_11:177667.08056[0.000953859]
f_12:177667.0803[1.35223e-7]
f_13:177667.0803[7.51352e-5]
f_14:177667.0803[7.63522e-6]
f_15:177667.0803[8.85223e-7]
f_16:177667.0803[0.0]
f_17:177667.0803[6.76114e-8]
f_18:177667.0803[1.72723e-7]
f_19:177667.0803[1.20167e-7]
f_20:177667.0803[1.4227e-7]
f_21:177667.0803[1.38746e-7]
f_22:177667.0803[1.36985e-7]
f_23:177667.0803[1.36089e-7]
f_24:177667.0803[1.34357e-7]
f_25:177667.0803[1.35656e-7]
f_26:177667.0803[1.35439e-7]
f_27:177667.0803[1.35323e-7]
f_28:177667.0803[1.35273e-7]
f_29:177667.0803[1.35248e-7]
f_30:177667.0803[0.0]
75.913228秒（174.16 k分配：19.486 GiB，8.10%gc时间）
通过最小化偏差的拉普拉斯近似来拟合广义线性混合模型
公式：y~0+prod+x1+x2+x3+x4+（1 | grps）
分发：分发。伯努利{64}
链接：GLM.LogitLink（）
偏差（拉普拉斯近似）：177667.0803
差异构成：
列方差标准偏差。
grps（截距）0
OB数量：910000；分组系数级别：35000
固定效果参数：
估计标准误差z值P（>z）
产品：a-3.82317 0.0402319-95.0283```


julia>@time m1=fit！（glmm（@formula（y~0+prod+x1+x2+x3+x4+（1 | grps）），dt，Bernoulli（）），fast=true，verbose=true）
f_1:180528.00386[1.0]
f_2:187488.87167[1.75]
f_3:177702.14693[0.25]
f_4:177671.46777[0.112452]
f_5:177676.1792[0.152245]
f_6:177667.49847[0.0374517]
f_7:177667.32134[0.0285566]
f_8:177667.11503[0.0108968]
f_9:177667.08367[0.00339678]
f_10:177667.08031[0.000203859]
f_11:177667.08056[0.000953859]
f_12:177667.0803[1.35223e-7]
f_13:177667.0803[7.51352e-5]
f_14:177667.0803[7.63522e-6]
f_15:177667.0803[8.85223e-7]
f_16:177667.0803[0.0]
f_17:177667.0803[6.76114e-8]
f_18:177667.0803[1.72723e-7]
f_19:177667.0803[1.20167e-7]
f_20:177667.0803[1.4227e-7]
f_21:177667.0803[1.38746e-7]
f_22:177667.0803[1.36985e-7]
f_23:177667.0803[1.36089e-7]
f_24:177667.0803[1.34357e-7]
f_25:177667.0803[1.35656e-7]
f_26:177667.0803[1.35439e-7]
f_27:177667.0803[1.35323e-7]
f_28:177667.0803[1.35273e-7]
f_29:177667.0803[1.35248e-7]
f_30:177667.0803[0.0]
75.913228秒（174.16 k分配：19.486 GiB，8.10%gc时间）
通过最小化偏差的拉普拉斯近似来拟合广义线性混合模型
公式：y~0+prod+x1+x2+x3+x4+（1 | grps）
分发：分发。伯努利{64}
链接：GLM.LogitLink（）
偏差（拉普拉斯近似）：177667.0803
差异构成：
列方差标准偏差。
grps（截距）0
OB数量：910000；分组系数级别：35000
固定效果参数：
估计标准误差z值P（>z）

prod:a-3.82317 0.0402319-95.0283只是对尝试重现示例的一个注释，您对
sample.int
的所有调用都包含
probs
参数，但
sample.int
的基本版本中的参数是
prob
（即，no
s
）@DouglasBates--谢谢，will edit/have edited使用JuliaI的软件包安装这样一个模型没有问题我会有点麻烦，因为
ans.ret
据我所知根本没有出现在我们的代码库中…是的，它在
optimx:：：optimx.run
中只是一个关于尝试报告的注释例如，对
sample.int
的所有调用都包含
probs
参数，但是
sample.int
的基本版本中的参数是
prob
（即，no
s
）@DouglasBates--谢谢，will edit/have edit使用JuliaI的软件包安装这样一个模型没有问题我会有点麻烦，因为
ans.ret
据我所知根本不出现在我们的代码库中……是的，它在
optimx:：optimx.run
Bates博士，你使用软件包吗e？？本地Julia。Julia中的
RCall
、
RData
和
Feather
包允许用户将数据从R导入Julia。尝试在R中运行Julia比从Julia连接到R要困难得多。对于那些尝试这样做的人来说，
RCall
完全是用Julia编写的在C/C++中写出任何“胶水”代码都是令人惊讶的。好吧——等着接受这个答案，直到我可以在Julia中复制真实数据为止（例如学习Julia的最小值）Bates博士，你使用的是原生Julia软件包吗？Julia中的
RCall
、
RData
和
Feather
软件包允许用户从R向Julia导入数据。试图在R中运行Julia比从Julia连接到R要困难得多。对于那些试图这样做的人来说，
RCall
是完全用Julia编写，在C/C++中没有任何“胶水”代码，这真是太神奇了。好吧——等着接受这个答案，直到我可以在Julia中复制真实数据为止（例如学习Julia的最小值）

library(lme4); library(optimx)
library(stringi)
library(data.table)

set.seed(1423L)
# highly imbalanced outcome variable
y <- sample.int(2L, size= 910000, replace=T, prob= c(0.98, 0.02)) - 1L
# product biases
prod <- sample(letters, size= 910000, replace=T)
#  user biases
my_grps <- stringi::stri_rand_strings(n= 35000, length= 10)
grps <- rep(my_grps, each= 26)
x1 <- sample.int(2L, size= 910000, replace=T, prob= c(0.9, 0.1)) - 1L
x2 <- sample.int(2L, size= 910000, replace=T, prob= c(0.9, 0.1)) - 1L
x3 <- sample.int(2L, size= 910000, replace=T, prob= c(0.9, 0.1)) - 1L
x4 <- sample(LETTERS[1:5], size= 91000, replace=T)

dt <- data.table(y= y,
             prod= prod, grps= grps,
             x1= x1, x2= x2, x3= x3, x4= x4)

lmer1 <- glmer(y ~ -1 + prod + x1 + x2 + x3 + x4 + (1|grps),
               data= dt, family= binomial(link= "logit"),
               control = glmerControl(optimizer ='optimx', optCtrl=list(method='nlminb')))



julia> @time m1 = fit!(glmm(@formula(y ~ 0 + prod + x1 + x2 + x3 + x4 + (1|grps)), dt, Bernoulli()), fast = true, verbose=true)
f_1: 180528.00386 [1.0]
f_2: 187488.87167 [1.75]
f_3: 177702.14693 [0.25]
f_4: 177671.46777 [0.112452]
f_5: 177676.1792 [0.152245]
f_6: 177667.49847 [0.0374517]
f_7: 177667.32134 [0.0285566]
f_8: 177667.11503 [0.0108968]
f_9: 177667.08367 [0.00339678]
f_10: 177667.08031 [0.000203859]
f_11: 177667.08056 [0.000953859]
f_12: 177667.0803 [1.35223e-7]
f_13: 177667.0803 [7.51352e-5]
f_14: 177667.0803 [7.63522e-6]
f_15: 177667.0803 [8.85223e-7]
f_16: 177667.0803 [0.0]
f_17: 177667.0803 [6.76114e-8]
f_18: 177667.0803 [1.72723e-7]
f_19: 177667.0803 [1.20167e-7]
f_20: 177667.0803 [1.4227e-7]
f_21: 177667.0803 [1.38746e-7]
f_22: 177667.0803 [1.36985e-7]
f_23: 177667.0803 [1.36089e-7]
f_24: 177667.0803 [1.34357e-7]
f_25: 177667.0803 [1.35656e-7]
f_26: 177667.0803 [1.35439e-7]
f_27: 177667.0803 [1.35323e-7]
f_28: 177667.0803 [1.35273e-7]
f_29: 177667.0803 [1.35248e-7]
f_30: 177667.0803 [0.0]
 75.913228 seconds (174.16 k allocations: 19.486 GiB, 8.10% gc time)
Generalized Linear Mixed Model fit by minimizing the Laplace approximation to the deviance
  Formula: y ~ 0 + prod + x1 + x2 + x3 + x4 + (1 | grps)
  Distribution: Distributions.Bernoulli{Float64}
  Link: GLM.LogitLink()

  Deviance (Laplace approximation): 177667.0803

Variance components:
          Column   Variance Std.Dev.
 grps (Intercept)         0        0

 Number of obs: 910000; levels of grouping factors: 35000

Fixed-effects parameters:
           Estimate Std.Error   z value P(>|z|)
prod: a    -3.82317 0.0402319  -95.0283  <1e-99
prod: b    -3.87486 0.0411777  -94.1009  <1e-99
prod: c     -3.8979 0.0414131  -94.1226  <1e-99
prod: d    -3.90172 0.0416467  -93.6862  <1e-99
prod: e    -3.94375 0.0423702  -93.0786  <1e-99
prod: f    -3.87321 0.0411412  -94.1443  <1e-99
prod: g    -3.84563  0.040832  -94.1818  <1e-99
prod: h    -3.85295 0.0407992  -94.4371  <1e-99
prod: i    -3.86082 0.0408777   -94.448  <1e-99
prod: j    -3.92742 0.0422041  -93.0577  <1e-99
prod: k    -3.90827 0.0417974   -93.505  <1e-99
prod: l    -3.90168 0.0415682   -93.862  <1e-99
prod: m    -3.93383 0.0421348  -93.3629  <1e-99
prod: n    -3.82755 0.0403628  -94.8286  <1e-99
prod: o    -3.89546 0.0416489  -93.5311  <1e-99
prod: p    -3.91643 0.0418437  -93.5966  <1e-99
prod: q    -3.88423 0.0414074  -93.8054  <1e-99
prod: r     -3.9031 0.0416133  -93.7944  <1e-99
prod: s    -3.85363 0.0407327  -94.6079  <1e-99
prod: t    -3.92431 0.0419838   -93.472  <1e-99
prod: u    -3.91551 0.0417962   -93.681  <1e-99
prod: v    -3.92217 0.0417068  -94.0415  <1e-99
prod: w    -3.90503  0.041674  -93.7043  <1e-99
prod: x    -3.81516 0.0402678  -94.7447  <1e-99
prod: y    -3.86918 0.0410894  -94.1648  <1e-99
prod: z    -3.83903 0.0404826  -94.8316  <1e-99
x1        0.0302483 0.0247737   1.22098  0.2221
x2       -0.0311121 0.0253477  -1.22741  0.2197
x3        0.0183217 0.0248309  0.737858  0.4606
x4: B     0.0104487 0.0235136  0.444368  0.6568
x4: C    -0.0170338 0.0236728 -0.719553  0.4718
x4: D    -0.0356445 0.0238845  -1.49237  0.1356
x4: E    -0.0303572  0.023757  -1.27782  0.2013