Handle out-of-bounds initialization

[AugustePaoli99]

Dans la méthode fit_mle(), il est possible que le vecteur initialvalues possède des valeurs physiquement impossibles. Dans ce cas l'appel θ₀ = map_to_real_space(pd, initialvalues) va créer une erreur. je propose de gérer ce problème de deux manières différentes :

• Dans le corps de la méthode fit_mle(), a moment de l'appel θ₀ = map_to_real_space(pd, initialvalues), on va try/catch une possible erreur et renvoyer un message d'erreur personnalisé. Cela permettra de gérer le cas où l'utilisateur rentre un mauvais vecteur initial.
• Dans les différentes méthodes initialize(), on va s'assurer que l'initialisation automatique ne puisse jamais occasionner cette erreur. Pour cela, à l'issue de l'initialisation automatique, au lieu de renvoyer α (par exemple), on va renvoyer maximum(0.01, minimum(0.99, α)).

[AugustePaoli99]

@jojal5 ca te concient comme stratégie ? C'est de toutes façons assez marginal, mais de tels bugs peuvent finir par arriver notamment lors d'une étude de simulation par exemple.

[jojal5]

La deuxième option est la meilleure. C’est mieux de gérer le problème dans la fonction initialize()

[AugustePaoli99]

Oui, la première méthode est une assurance supplémentaire au cas où l'utilisateur spécifie lui-même l'initialisation et en propose une impossible.

[AugustePaoli99]

J'ai fait les modifs dans la branche consacrée. 1) J'ai enlevé la transformation du paramètre $\xi$ qui le forçait entre -1/2 et 1/2. Je ne sais même plus pourquoi on faisait ça initialement (ça vient de l'époque où je faisais du bayésien) 2) J'ai ajouté des @assert dans les méthodes map_to_real_space() qui vérifie que les paramètres sont dans les bons domaines. Ca permet de renvoyer tout de suite un message d'erreur clair si l'utilisateur initialise mal. 3) J'ai ajouté des maximum(0.001, x) et minimum(0.999, x) dans les méthodes d'initialisation automatique qui assurent l'absence d'erreur numérique.