问题标签 [regression]

我真的很喜欢 Hudson，但我看不到处理快速连续签到的方法。这个想法是每次签入都会进行一次冒烟测试，如果更改编号 1234 的回归在签入 1235 和 1236 之前没有完成，那么应该如何处理？是否由外部脚本来跟踪已运行的更改列表，或者 Hudson 是否会为您跟踪？我试图查看文档以了解如何处理它，但我找不到任何东西。

让我知道我的问题是否需要澄清。

我在 php 中有一个遗留代码库，我们在 python 中有一些应用程序（新代码库）。我正在尝试将遗留部分迁移到新的代码库/语言。目前我只能想到使用回归测试（意味着有人手动访问曾经处理过的遗留代码的链接）来验证和验证代码是否成功迁移。但是，我是单元测试的忠实拥护者，并且想知道是否可以在更高级别上应用单元测试。所以我的测试将位于 php/python 级别之上，并且不知道它下面的级别的细节。一个例子是如果 php 曾经处理过 GET 请求。我在应用程序级别之上编写单元测试代码以验证对 GET 请求的响应。然后，我将 php 代码换成 python 代码，并让测试中断，直到我成功为止。我想我想做的是在比应用程序级别更高的级别定义一个接口，并使用该接口进行单元测试。这可能/听说过吗？还是我在叫错树？

I have the following data.frame d from an experiment:

In the last 8 years, y was measured roughly once a month (exact date in t) for each level of f. Sometimes there are 2 measures per month, sometimes a couple of month passed without any measures.

Sorry for not providing example data, but making up unregular time series goes beyond my R knowledge. ;)

I'd like to do the following with this data:

1. make a regression using the loess() function (y ~ t), for each level of f
2. make a prediction of y for the first day of each month and each level of f

The first point I think I solved by using Hadleys answer to this question:

So, now I have a models (class list), with a model for each level of f. I also created times for which I'd like to predict y for each level of f like this:

But now I'm stuck on how to make predictions for each model. Something like this should work (pseudocode):

As a result, I'd like to have this data.frame:

• y.predicted
• f
• t.predicted (= dates)

Any help would be greatly appreciated.

我有一组示例，每个示例都带有特征数据注释。示例和特征描述了任意域中的实验设置（例如切换次数、执行天数、参与者数量等）。某些功能是固定的（即静态的），而其他的我可以在以后的实验中手动设置（即可变）。每个示例还具有“奖励”特征，它是一个介于 0 和 1 之间的连续数字，表示由专家确定的实验成功。

基于此示例集，并为未来的实验提供一组静态特征，我将如何确定用于特定变量的最佳值以最大化奖励？

另外，这个过程有正式名称吗？我做了一些研究，这听起来类似于回归分析，但我仍然不确定它是否是同一件事。

我有 100 个变量，我想使用变量 var15-v25 进行因子分析。为此，我首先将变量提取到另一个对象（例如f）中，然后运行主成分分析。

现在我想将 PCA 分数与原始数据集合并，以使用 PCA 分数作为预测变量进行回归。

谁能建议我合并这两个数据集的方法。我使用的代码如下：

可能重复：
c# 中用于回归的免费库

你知道 .net 中的一个免费库，我可以用它来拟合多元回归。我想获得系数和所有统计数据（p 值、标准误差、适应度等）。我试过 Meta.Numerics，效果很好，但它没有一些统计数据。

您知道执行 LOESS/LOWESS 回归的 .net 库吗？（最好是免费/开源）

我首先想说的是，我理解为非线性回归计算 R^2 值并不完全正确或有效。

但是，我正处于将 SigmaPlot 中的大部分工作转移到 R 的过渡期，对于我们的非线性（浓度 - 响应）模型，同事们习惯于看到与模型相关的 R^2 值来估计优度合身。

SigmaPlot 使用 1-（残余 SS/总 SS）计算 R^2，但在 RI 中似乎无法提取总 SS（总结报告残余 SS）。

当我尝试让我们使用更好的拟合优度估计器时，将不胜感激任何有助于使其发挥作用的帮助。

干杯。

我目前正在开展一个项目，该项目涉及基于在多个重要层上生长的植物对地理区域进行分割（也就是说，每个分割层具有与其他层不同的含义）

在这样做的过程中，我们使用逻辑回归从区域列表、它们在每一层中所属的片段以及它们包含哪些植物，到植物在每个片段组合中生长的概率。目前，我们正在使用 SPSS，链接到分段的 C# 实现。

到目前为止，一切都很好。问题是，SPSS 在寒冷的日子里像糖蜜一样慢。对于全套（2500 个工厂和 565 个区域），单次运行大约需要半个月。那是我们没有的时间，所以现在我们正在使用缩写数据集，但即使这样也需要几个小时。

我们研究了其他具有逻辑回归的库（特别是 Accord.NET 和 Extreme Optimization），但都没有分类逻辑回归。

在这一点上，我可能应该指定分类逻辑回归的含义。鉴于我们提供给统计引擎的数据集中的每一行对于每一层都有一个变量，并且对于我们目前感兴趣的植物有一个变量，因此层变量的值被认为是类别。0 并不比 1 好或差，只是不同而已。我们想要从统计引擎中得到每个层变量的每个类别的值（当然还有截距），所以在一个层有 3 个段和一个层有 2 个段的设置中，我们会得到 5值和截距。

我应该注意到，我们已经在 Accord.NET（必须在库之外完成）和 Extreme Optimization（它有一些库内支持）中试验了虚拟变量或指标变量，但这并没有产生必要的结果。

TL;博士

所以，长话短说，有没有人知道 C# 中分类逻辑回归的好解决方案？这可以是一个类库，或者只是一个插入外部统计引擎的接口，只要它稳定且相当快。

我有一组 XY 值（即散点图），我想要一个 Pascal 例程来生成适合这些点的 N 阶多项式的系数，就像 Excel 所做的那样。