R 加速重叠加性模型（mgcv）的估计

我有一些变量集，我正在拟合许多（数十万）加法模型，每个模型都包含所有变量的子集。因变量在每种情况下都是相同的，有些模型重叠或嵌套。并非所有自变量都必须以非参数方式进入模型。为了清楚起见，我可能有一组变量

{x1，x2，x3，x4，x5}

和估计值：
a）

y=c+f（x1）+f（x2）

，
b）

y=c+x1+f（x2）

，
c）

y=c+f（x1）+f（x2）+x3等

我想知道在这种情况下，我是否可以做些什么来加速gam估计？是否有任何经过反复计算的内容，我可以计算一次并提供给函数

我已经尝试过的：


记忆，因为模型会不时重复
不情愿地从薄板回归样条切换到三次回归样条（相当显著的改进）
mgcv指南说：

用户可以通过提供一组减少的协变量值来获得基础，从而保留t.p.r.s.方法的大部分优点-通常，使用的协变量值的数量将大大小于数据的数量，并且大大大于基础维度k

这对较小的模型（例如5次平滑）产生了相当明显的改善，但对较大的模型（例如10次平滑）则没有。事实上，在后一种情况下，它通常会导致估计时间（可能要长得多）更长


我想尝试但不知道是否可能：


在这两种情况下重复的一件明显的事情，例如，
y=c+f（x1）+f（x2）
和
y=c+x1+f（x2）
，是计算
f（x2）
的基础。如果每次都使用相同的结，如何（如果可能的话）预先计算每个变量的基础，然后将其提供给mgcv？您认为这会带来显著的时间改进吗

你还有什么建议吗？
我得问问你为什么要这样做？；这样做之后的任何合理推断都是无效的。你有[tag:featureselection]标签，这种方法让我感到恐惧。我假设你不能将所有协变量作为平滑来拟合模型，甚至不能用收缩平滑或
select=TRUE
来惩罚基的线性部分。假设您已经尝试了
bam（）
并并行运行了多个模型？我正在研究一种为预测模型选择变量的方法（因此我不担心推理）-某种程度上是
select=TRUE
的替代方法。是的，在某些情况下，我不能用所有的协变量来拟合模型。是的，我试过
bam（）
（比
gam（）
花费的时间要长得多），我确实并行地估计了模型——这些一定是我之前忘记的。