Javascript 如何找出两个输入的模型函数？

我正在为一个系统的终端用户的控件做一些机器学习。我基本上是想根据两个输入计算出一个延迟数。 目前，我收集了用户与控件交互所需时间的列表（以毫秒为单位）。我想基于这两件事，我可以得到一个延迟数

1） 名单的长度

2） 名单上的时间

（每次用户将鼠标悬停在控件上时，我都会在列表中记录一个值。此外，他们可能会进入系统，但不会将鼠标悬停在控件上）

延迟数只是一个数字，表示在实际下载控件内容之前等待这么久。因为如果用户不与控件交互，那么我需要一个更长的延迟因子，这样可以减少服务器上的负载

我一直关注的问题是如何使用上面收集的两个值来确定延迟时间

我想到了4种情况：

1） 如果长列表和平均时间较大，则设置一个中等延迟时间

2） 如果长列表和平均时间很小，则设置短延迟时间

3） 如果短列表和平均时间较大，则放置较长的延迟时间

4） 如果短列表和平均时间很小，则设置一个中等延迟时间

如果列表为空，则可能使用中等延迟因子

当然还有延迟时间的偏差系数（实际上是第三个输入），因为不同的控制有不同的优先级

上述4种情况决定了4种极端情况，当然，其中有一个梯度。我需要一个函数方程（2个输入（和偏差？）和1个输出，可能类似于

b*f（x，y）

，其中

x

，

y

，而

f（x，y）

在

[0,1]

中）对该信息进行建模

有人知道如何将上述输入转换为函数并从中获得延迟时间吗

---

谢谢

这是一个回归问题。您可以在任何机器学习库中使用许多回归模型中的一个。我个人使用。 您需要的是一个带标签的数据集（X，Y）。X是一个NxM矩阵，其中N是样本数，M是2，表示列表长度和平均时间作为特征，X[i，0]是第i个训练样本的列表长度。Y是一个N向量，N[i]是系统需要应用的期望延迟量。 给定X和Y，您可以使用scikit学习训练分类器，正如您在提供的链接中所看到的那样，然后给定一个新样本X，模型可以使用回归器的预测函数预测所需的延迟时间

from sklearn import linear_model
clf = linear_model.LinearRegression()
clf.fit ([[0, 0], [1, 1], [2, 2]], [10, 100, 1000])
clf.predict([[0.5, 0.5]])

在从提供的scikit学习链接复制的本例中，样本[0,0]、[1,1]、[2,2]的期望延迟分别为10、100、1000。 拟合函数训练并拟合数据的线性模型，您可以使用该模型预测新样本，如[0.5,0.5]

---

如果您还创建了一个评估集（X，Y），您将能够评估模型的性能并选择最佳的回归模型。

正如Afsin所说，这是一个回归问题。有一件事我不一定同意，那就是回归的类型。我认为你最好尝试泊松/负二项回归模型，而不是线性回归模型

维基百科链接是他们陈述的地方吗

在统计学中，泊松回归是一种用于对计数数据建模的回归分析形式

您可以将用户等待的秒数视为您尝试建模的计数。如果您的数据显示出过度分散的迹象，那么您应该将数据建模为负二项回归模型

下面是一个在R中如何做类似事情的示例

资料

假设您正在尝试对博士后的引用数量进行建模。上述数据将存储在一个名为postdoc的变量中

引文
age mar doc und cits    
29  Yes 362 7   2   
32  No  210 6   4   
26  Yes 359 6   1   
25  Yes 181 3   1   
30  No  429 7   1   
28  Yes 359 6   0   
30  No  210 4   0   
40  Yes 347 4   0   
30  No  210 5   2   

citations<-postdoc$cits
married<-postdoc$mar
age<-postdoc$age
prestige<-postdoc$doc
selectivity<-postdoc$und

married<-factor(postdoc$mar,levels = c(0,1), labels = c("yes","no"))

citation.model<-glm(citations ~ married+age+prestige+selectivity, family = poisson)