Dies ist Qiitas erster Beitrag. Da ich fast ein Anfänger in der Datenanalyse bin, denke ich, dass es viele Fehler gibt. Bitte weisen Sie darauf hin. Dieses Mal habe ich Qore SDK von Qauntum Core Co., Ltd. verwendet.
Die Verwendung des Qore SDK wird im folgenden Artikel erläutert. Die Welt des Reservoir Computing ~ mit Qore ~ Einführung des Qore SDK und Erkennung von Arrhythmien mit Qore
Der Inhalt der Bemühungen wird die Vorhersage eines Sieges oder einer Niederlage in der Soccer Premier League sein. Insbesondere wird es eine Aufgabe sein, das Ergebnis des Spiels in den Jahren 2019-2020 anhand der Daten von 2010-2018 vorherzusagen.
Der Datensatz wurde von der folgenden Site heruntergeladen. http://football-data.co.uk/englandm.php
Ich habe alle Datensätze und Vorverarbeitungen auf GitHub veröffentlicht. https://github.com/obameyan/QoreSDK-Premire-League
Da es hier schwierig ist, die gesamte Vorverarbeitung zu beschreiben, werden nur die Daten vor der Vorverarbeitung und die Daten nach der Vorverarbeitung beschrieben. Um kurz zu erklären, was ich getan habe, habe ich die Daten so konvertiert, dass sie als Zeitreihendaten in das Qore SDK geworfen werden können. Dabei wurden verschiedene Faktoren wie das gegnerische Team, Spielergebnisse, Anzahl der Tore, Anzahl der erzielten Tore und Hattricks berücksichtigt.
Das Folgende sind die Daten vor der Vorverarbeitung. (Nur Teil anzeigen)
import pandas as pd
#Originale Daten
raw_data = pd.read_csv('./data/PremierLeague/2018-19.csv') #Es wird nur ein Teil beschrieben
raw_data.head()
| Div | Date | HomeTeam | AwayTeam | FTHG | FTAG | FTR | HTHG | HTAG | HTR | Referee | HS | AS | HST | AST | HF | AF | HC | AC | HY | AY | HR | AR | B365H | B365D | B365A | BWH | BWD | BWA | IWH | IWD | IWA | PSH | PSD | PSA | WHH | WHD | WHA | VCH | VCD | VCA | Bb1X2 | BbMxH | BbAvH | BbMxD | BbAvD | BbMxA | BbAvA | BbOU | BbMx>2.5 | BbAv>2.5 | BbMx<2.5 | BbAv<2.5 | BbAH | BbAHh | BbMxAHH | BbAvAHH | BbMxAHA | BbAvAHA | PSCH | PSCD | PSCA |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| E0 | 10/08/2018 | Man United | Leicester | 2 | 1 | H | 1 | 0 | H | A Marriner | 8 | 13 | 6 | 4 | 11 | 8 | 2 | 5 | 2 | 1 | 0 | 0 | 1.57 | 3.9 | 7.50 | 1.53 | 4.0 | 7.50 | 1.55 | 3.80 | 7.00 | 1.58 | 3.93 | 7.50 | 1.57 | 3.8 | 6.00 | 1.57 | 4.0 | 7.00 | 39 | 1.60 | 1.56 | 4.20 | 3.92 | 8.05 | 7.06 | 38 | 2.12 | 2.03 | 1.85 | 1.79 | 17 | -0.75 | 1.75 | 1.70 | 2.29 | 2.21 | 1.55 | 4.07 | 7.69 |
| E0 | 11/08/2018 | Bournemouth | Cardiff | 2 | 0 | H | 1 | 0 | H | K Friend | 12 | 10 | 4 | 1 | 11 | 9 | 7 | 4 | 1 | 1 | 0 | 0 | 1.90 | 3.6 | 4.50 | 1.90 | 3.4 | 4.40 | 1.90 | 3.50 | 4.10 | 1.89 | 3.63 | 4.58 | 1.91 | 3.5 | 4.00 | 1.87 | 3.6 | 4.75 | 39 | 1.93 | 1.88 | 3.71 | 3.53 | 4.75 | 4.37 | 38 | 2.05 | 1.98 | 1.92 | 1.83 | 20 | -0.75 | 2.20 | 2.13 | 1.80 | 1.75 | 1.88 | 3.61 | 4.70 |
| E0 | 11/08/2018 | Fulham | Crystal Palace | 0 | 2 | A | 0 | 1 | A | M Dean | 15 | 10 | 6 | 9 | 9 | 11 | 5 | 5 | 1 | 2 | 0 | 0 | 2.50 | 3.4 | 3.00 | 2.45 | 3.3 | 2.95 | 2.40 | 3.30 | 2.95 | 2.50 | 3.46 | 3.00 | 2.45 | 3.3 | 2.80 | 2.50 | 3.4 | 3.00 | 39 | 2.60 | 2.47 | 3.49 | 3.35 | 3.05 | 2.92 | 38 | 2.00 | 1.95 | 1.96 | 1.87 | 22 | -0.25 | 2.18 | 2.11 | 1.81 | 1.77 | 2.62 | 3.38 | 2.90 |
| E0 | 11/08/2018 | Huddersfield | Chelsea | 0 | 3 | A | 0 | 2 | A | C Kavanagh | 6 | 13 | 1 | 4 | 9 | 8 | 2 | 5 | 2 | 1 | 0 | 0 | 6.50 | 4.0 | 1.61 | 6.25 | 3.9 | 1.57 | 6.20 | 4.00 | 1.55 | 6.41 | 4.02 | 1.62 | 5.80 | 3.9 | 1.57 | 6.50 | 4.0 | 1.62 | 38 | 6.85 | 6.09 | 4.07 | 3.90 | 1.66 | 1.61 | 37 | 2.05 | 1.98 | 1.90 | 1.84 | 23 | 1.00 | 1.84 | 1.80 | 2.13 | 2.06 | 7.24 | 3.95 | 1.58 |
| E0 | 11/08/2018 | Newcastle | Tottenham | 1 | 2 | A | 1 | 2 | A | M Atkinson | 15 | 15 | 2 | 5 | 11 | 12 | 3 | 5 | 2 | 2 | 0 | 0 | 3.90 | 3.5 | 2.04 | 3.80 | 3.5 | 2.00 | 3.70 | 3.35 | 2.05 | 3.83 | 3.57 | 2.08 | 3.80 | 3.2 | 2.05 | 3.90 | 3.4 | 2.10 | 39 | 4.01 | 3.83 | 3.57 | 3.40 | 2.12 | 2.05 | 38 | 2.10 | 2.01 | 1.88 | 1.81 | 20 | 0.25 | 2.20 | 2.12 | 1.80 | 1.76 | 4.74 | 3.53 | 1.89 |
Als nächstes folgen die Daten nach der Vorverarbeitung. (Nur Teil anzeigen)
import pandas as pd
#Nicht die Originaldaten, da sie sich mitten im Prozess befinden
data=pd.read_csv("./data/PremierLeague/allAtt_onehot_large_train.csv") #Trainingsdaten
dataT=pd.read_csv("./data/PremierLeague/allAtt_onehot_large_test.csv") #Testdaten
#Daten nach der Vorverarbeitung
data = data[['HTGS','ATGS','HTP','ATP','HM1','AM1', 'DiffLP','final1']]
dataT = dataT[['HTGS','ATGS','HTP','ATP','HM1','AM1','DiffLP','final1']]
df = data[200:210]
| HTGS | ATGS | HTP | ATP | HM1 | AM1 | DiffLP | final1 |
|---|---|---|---|---|---|---|---|
| 0.4737 | 0.2568 | 1.3333 | 1.0476 | 3 | 3 | 1 | 0 |
| 0.3289 | 0.3784 | 0.9048 | 1.0476 | 1 | 1 | -3 | 1 |
| 0.4342 | 0.3243 | 2.0952 | 1.2857 | 3 | 3 | -12 | 1 |
| 0.4342 | 0.2703 | 1.8571 | 1.8095 | 3 | 3 | 1 | 0 |
| 0.3553 | 0.2432 | 1.0000 | 1.2857 | 0 | 1 | -1 | 0 |
| 0.2763 | 0.3378 | 1.1905 | 1.1905 | 3 | 1 | 9 | 1 |
| 0.4342 | 0.3919 | 1.3810 | 0.9524 | 1 | 1 | -2 | 0 |
| 0.3289 | 0.3378 | 1.0476 | 1.7143 | 1 | 3 | 2 | 1 |
| 0.4474 | 0.3784 | 1.1905 | 0.8095 | 3 | 0 | -8 | 1 |
| 0.3816 | 0.3919 | 0.8571 | 1.6667 | 1 | 0 | 15 | 1 |
Hier führen wir die Vorverarbeitung mit dem Qore SDK durch. Verwenden Sie insbesondere qore_sdk.utils.sliding_window (), um die Trainingsdatendimension in (Anzahl der Daten, Zeit, tatsächliche Daten) und die richtige Etikettendimension in (Anzahl der Daten, 1) zu konvertieren.
from qore_sdk.utils import sliding_window
x = np.array(data)
x_t = np.array(dataT)
x_train = np.array(x[:, :7])
x_test = np.array(x_t[:, :7])
y_train = np.array(x[:, 7])
y_test = np.array(x_t[:, 7])
X, y= sliding_window(x_train, 10, 5, axis=0, y=y_train,y_def='mode', y_axis=0)
X_test, y_test = sliding_window(x_test, 10, 5, axis=0, y=y_test,y_def='mode', y_axis=0)
print(X.shape, y.shape, X_test.shape, y_test.shape)
>> (653, 10, 7), (653, 1), (159, 10, 7), (159, 1)
Geben Sie hier die Kontoinformationen ein.
from qore_sdk.client import WebQoreClient
username = '*****'
password = '*****'
endpoint = '*****'
client = WebQoreClient(username, password, endpoint=endpoint)
Lass uns tatsächlich lernen.
client.classifier_train(X, y)
>> {'res': 'ok', 'train_time': 0.8582723140716553}
Ich konnte sofort lernen. Überprüfen Sie anschließend die Genauigkeit anhand der Testdaten.
res = client.classifier_predict(X_test)
report = classification_report(y_test, res['Y'])
print(report)
precision recall f1-score support
0.0 0.73 0.90 0.81 104
1.0 0.68 0.38 0.49 55
accuracy 0.72 159
macro avg 0.71 0.64 0.65 159
weighted avg 0.71 0.72 0.70 159
Die Genauigkeit betrug 72%. Um ehrlich zu sein, ist es eine subtile Genauigkeit, aber ich denke, dies ist ein Vorverarbeitungsproblem ... Ich dachte, wir sollten vorverarbeiten, indem wir sorgfältig über das Aufblasen von Daten und mehr Korrelation nachdenken ...
Ich wollte täglich Datenanalysen durchführen, konnte aber nichts dagegen tun, aber ich bin Quantum Core dankbar, dass ich die Möglichkeit habe, diese Art der Datenanalyse durchzuführen. Ich möchte diese Gelegenheit auch nutzen, um die Herausforderung der Datenanalyse weiter anzunehmen.
Recommended Posts