Analysis介绍及使用

总概:

    

1.Analysis初始

  分析器是对测试结果进行分析的组件

  Analysis Session分析会话的目的

    发现系统性能上的缺陷并找到其根源

  Analysis中的数据是怎么得到的

    ①场景运行时,默认情况下,所有的VUser信息都保存在该VUser的负载机上

    ②场景运行结束后,这些数据会自动的进行整理和合并,这时负载机上所有的VUser的信息和数据都被

     保存到结果目录中,其扩展名为.lrr

  关于数据分析

    数据分析不仅局限于Analysis分析器,还可以采用多种方式

    数据分析的多种形式(VUser日志,Controller输出,Analysis图,报告形式)

2.Analysis常用设置

  结果目录设置

     在Controller运行场景过程中运行的数据要保存

    

  结果集合设置

    场景运行结束后,Analysis中收集的数据就是原始数据,可以通过设置进行筛选

      

  配置度量

    想要对Y轴范围,图中折现颜色等进行设置

      

  设置筛选条件:

    

 3.Analysis摘要报告

    摘要报告提供了场景执行的一般信息,包括概要,统计,事务统计,SLA分析,HTTP响应统计(摘要报告包括的5大部分)

    概要部分:

      

    统计部分:

      

    事务统计部分:

      事务的通过率一定要大于95%,如果事务失败率过高,就说明客户在使用系统时容易出现错误,这样无论事务响应时间多短都不符合要求。

      标准偏差:方差约大,说明这组数据越离散,波动性也越强,反之

      90 Perecnet: 90%用户的响应时间是小于这个时间 

      

    HTTP响应概要:

      只有Web Vuser才有,反应了Web Server的处理情况。

      HTTP响应:HTTP响应的状态码

      合计:HTTP响应的状态码的点击数

      每秒:HTTP响应状态码每秒的点击数

        

 4.Analysis常见分析图

    常见的有8类:Vusers图,错误图,事务图,Web资源图,网页细分图,

            系统资源图,Web服务器资源图,数据库服务器资源图

    Windows操作系统,使用LoadRunner进行监控比较简单,Linux和UNIX等操作系统不可使用LoadRunner进行监控

    常见的分析视图:

        Vuser图

        点击率视图

        平均事务响应视图

        吞吐量视图

    添加新图:

      

 

     Vuser图:

      

    点击率视图:

      Vuser每秒钟向Web服务器提交的HTTP请求数,依据点击次数来评估Vuser产生的负载量

      一般会将此图与平均事务响应时间图放在一起,观察点击数对事务性能产生的影响

      

   平均事务响应时间

      直观的反应事务的性能情况,一般与Vuser图进行参照,来观察Vuser性能对事务的性能的影响。

       

    吞吐量图:

        服务器上单位时间的吞吐量,此图可以评估Vuser产生的负载量

         可以和平均事务响应时间图进行对照,查看吞吐量对事务性能产生的影响

         

 

转载于:https://www.cnblogs.com/qinghua97/p/9036206.html

  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
LinearDiscriminantAnalysis(线性判别分析)是一种经典的分类算法,用于将具有多个特征的数据点分配到两个或多个预定义的类别中。在 Scikit-learn 库中,LinearDiscriminantAnalysis 类可以用于实现这种分类算法。下面是 LinearDiscriminantAnalysis 类的用法介绍: 1. 引入 LinearDiscriminantAnalysis 类 ```python from sklearn.discriminant_analysis import LinearDiscriminantAnalysis ``` 2. 创建 LinearDiscriminantAnalysis 实例 ```python flda = LinearDiscriminantAnalysis(n_components=2) ``` 这将创建一个 LinearDiscriminantAnalysis 的实例,其中 n_components 参数指定要提取的特征数量(默认为 None,表示保留所有特征)。 3. 使用 fit 方法拟合模型 ```python flda.fit(X, y) ``` 这将使用 X 和 y 训练数据来拟合 LinearDiscriminantAnalysis 模型,其中 X 是训练数据的特征向量,y 是训练数据的标签。 4. 使用 transform 方法转换数据 ```python X_flda = flda.transform(X) ``` 这将使用 LinearDiscriminantAnalysis 模型将原始特征向量 X 转换为 FDLA 特征向量 X_flda。 5. 使用 predict 方法进行预测 ```python y_pred = flda.predict(X_test) ``` 这将使用 LinearDiscriminantAnalysis 模型对测试数据 X_test 进行预测,并返回预测的标签 y_pred。 6. 使用 score 方法计算模型得分 ```python score = flda.score(X_test, y_test) ``` 这将使用 LinearDiscriminantAnalysis 模型对测试数据 X_test 进行预测,并与实际标签 y_test 进行比较,返回模型的准确率得分。 总之,LinearDiscriminantAnalysis 类提供了一种简单而有效的方法来进行分类和特征提取。它可以轻松地与其他 Scikit-learn 函数和工具集成,使得数据分析和机器学习变得更加简单和高效。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值