我有一个数据集，我正在尝试对其进行回归，但失败了。
情况：
- 成千上万的战斗机器人操作员正在使用战斗机器人进行战斗。
- 有的战斗机器人强而有力，有的则弱；强者更经常获胜并造成更多伤害。
- 机器人操作员的技能各不相同，技术越熟练的人获胜越频繁，造成的伤害也越大
- 我们有一些关于他们战斗结果的摘要信息，但不是所有细节。
- 我们知道他们在战斗中使用了哪些战斗机器人，以及多少次（包括他们赢得了多少次战斗），我们知道他们总共造成的总伤害（两种，damageA 和damageB）
- 一些机器人更擅长造成伤害A，而另一些机器人更擅长造成伤害B
- 对于未知的战斗机器人操作员，仅根据他们在战斗中使用过的机器人（以及使用次数），我们想估计他们将获得多少伤害，以及他们最有可能赢得的战斗百分比
例如：
- 约翰使用机器人 A 进行了 4 场战斗，使用机器人 B 进行了 2 场战斗，并造成了价值 240 单位的伤害 A
- 詹姆斯使用机器人 A 进行了 1 场战斗，使用了机器人 B 进行了 10 场战斗，并造成了价值 1010 单位的伤害 A
因此，我可以估计机器人 A 每场战斗可能造成 10 单位的伤害 A，而机器人 B 每场战斗造成 100 单位的伤害 A，因此如果被要求估计仅玩过两个机器人中的每一个的 Matthew 造成的伤害 A每场 2 场战斗，估计 220 == (10*2 + 100*2)。
不幸的是，真实的数据并不那么干净和直接，可能是因为：
- 由于机器人操作员的技能存在显着差异，例如，一个好的操作员可以对机器人 A 造成 20 个单位的伤害，而一个不好的操作员只能造成 5 个单位的伤害。
- 由于在小样本的情况下抽到的对手存在一些随机差异（例如，有人抽到了一个强大的对手并输了，尽管他的机器人比对手更好），尽管最终它会平局
- 可能存在一些小的选择偏差，因为最好的机器人操作员设法选择最好的机器人更频繁地投入战斗
真实数据集可在此处获得（已知战斗操作员结果的 630k 个条目）：
数据集组织如下，每行一个机器人操作员条目：
- 没有标签的第 1 列 - 操作员 ID
- 战斗 - 此操作员参与的战斗总数
- 胜利 - 此操作员赢得的总战斗次数
- 失败 - 此操作员输掉的总战斗次数
- 伤害A - 造成的总伤害A点
- damageB - 造成的总伤害 B 点数
- 130对列如下：
- Battles_[robotID] - 使用机器人 [robotID] 进行的战斗
- victories_[robotID] - 使用机器人 [robotID] 获得的胜利
到目前为止我所做的：
- 使用 R 包尝试了几个线性模型
biglm，这些模型构建了一个公式，例如damageA ~ 0 + battles_1501 + battles_4201 + ...尝试为每个机器人获得拟合的“预期”值。 0 +相同，但通过不包括在公式中来删除强制原点拦截- 相同，但也包含
victories_[robotID]在自变量中 - 和以前一样，但只选择那些胜利数字接近失败数字的机器人操作员
- 一个线性回归模型，用于除机器人模型 1501 之外的所有机器人中的所有战斗。然后对所有其他机器人类型重复
damageA ~ 0 + battles_1501 + battles_non_1501。battles_non_1501
我通过查看预测的damageA和damageB值进行了完整性检查，并将胜利/战斗比率与我们实际上可以为每个机器人精确计算的实际胜利/战斗比率进行比较。
在所有情况下，虽然结果并未完全关闭，但它们已经足够关闭，可以看出该模型无法正常工作。例如，一些机器人获得了不应该真正发生的负伤害数字，因为你不能在战斗中造成负伤害。
如果我还在victories_[robotID]公式中使用了已知值，许多battle_[robotID]系数最终会变成有点大的负数，所以我尝试估计“平均”运算符，battle_[robotID] + victories_[robotID] / 2但这也没有给出合理的结果。
我现在有点想不通了。