[PYTHON] Prognostizieren Sie die zweite Runde des Sommers 2016 mit scikit-learn

Einführung

Dies ist die zweite kostenlose Studie über Sommerferien, die sich mit "Scikit-Learn" befasst. Der erste ist hier. Wie immer ist der Inhalt Anfänger, aber bitte vergib mir.

Dieses Mal dachte ich darüber nach, die Torstärke der zweiten Runde vorherzusagen, indem ich das Spielergebnis der ersten Runde anhand der Ergebnisse des lokalen Turniers lernte. Es ist ein lang ersehntes maschinelles Lernen (Sumimasen ist voller Gefühle, die ich ausprobieren wollte).

Trainingsdaten

Basierend auf den Schlagergebnissen des lokalen Turniers, die beim letzten Mal verwendet wurden, wurde die Kombination des ersten Spiels für jede repräsentative Schule verwendet Lernen Sie die Punktzahl des ersten Spiels, indem Sie Pitcher-Leistung der gegnerischen High School mit Lerndaten kombinieren Ich habe beschlossen, dich zu lassen.

Die erstellten Lerndaten sind hier. Da es 49 Schulen gibt, wird Daisuke Morioka beim ersten Spiel zweimal als Partnerschule auftreten.

Lernen und Vorhersage

Wie oben erwähnt, werden basierend auf den Daten des lokalen Turniers alle Schlagergebnisse und die Pitcher-Ergebnisse des Gegners als erklärende Variablen gelernt. Die Zielvariable ist die Anzahl der Punkte, die im ersten Spiel von Koshien erzielt wurden.

Der Lernalgorithmus ist "lineare Regression". Wie immer habe ich nicht das Wissen, einen anderen zu wählen ...

Untersuchen Sie dann als Vorhersagedaten zur Überprüfung des Lernergebnisses die Kombination der zweiten Runde und mögen Sie die Trainingsdaten hier. -game-2016.csv).

#coding:utf-8
import pandas as pd
import numpy as np
from sklearn import linear_model

#Erfahren Sie die Ergebnisse des ersten Spiels
df = pd.read_csv('round1-result-2016.csv')
X = df.drop(['Präfektur','PräfekturNo','Schulname','Kampfschule','Ergebnis'], axis=1)
Y = df['Ergebnis'].as_matrix()

clf = linear_model.LinearRegression()
clf.fit(X, Y)

#Vorhersage der zweiten Runde
df_round2 = pd.read_csv('round2-game-2016.csv')
X_round2 = df_round2.drop(['Präfektur','PräfekturNo','Schulname','Kampfschule'], axis=1)
round2_pred=clf.predict(X_round2)

print(round2_pred)

Ergebnis

Als ich dies am 13. August schrieb, war Morioka Daifu anders als erwartet, aber ich war ein wenig überrascht, dass die Ergebnisse von Chiben und Naruto ganz korrekt waren. Ich bekomme ein negatives Ergebnis, aber ich denke, das liegt daran, dass das lokale Turnier der anderen Schule 0 Tore und 0 Verteidigungsrate hat.

Es ist nur ein datenwissenschaftliches numerisches Spiel. Bitte nicht falsch verstehen, da wir nicht die Absicht haben, den tatsächlichen Wettbewerb oder die Spieler anzusprechen oder zu kritisieren.