ML之预测:玩转2018世界杯—采用机器学习预测小组赛、十六比赛、四决赛、半决赛、决赛以及世界杯总冠军的各个队伍
2023-09-14 09:04:45 时间
ML之预测:玩转2018世界杯—采用机器学习预测小组赛、十六比赛、四决赛、半决赛、决赛以及世界杯总冠军的各个队伍
导读
机器学习预测、玩转2018世界杯—采用机器学习预测小组赛、十六比赛、四决赛、半决赛、决赛以及世界杯总冠军的各个队伍。大家可以利用2018世界杯小组赛已有的结果,结合下边的预测结果验证一下,准确度是否高,哈哈……
本博主一向支持健康看球!预测对了,说明人工智能的确越来越强大,预测不对,说明人工智能预测还需要改进,机器智能迈向超智能,路漫漫其修远兮!
目录
1、采用的历史数据集一览
2、代码设计思路
|
3.1小组赛预测结果
3.2十六队预测结果
3.3四分之一比赛预测结果
3.4半决赛比赛预测结果
3.5总决赛比赛预测结果
4、部分代码
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
import matplotlib.ticker as ticker
import matplotlib.ticker as plticker
from sklearn.model_selection import train_test_split
from keras.models import Sequential
from keras.layers import Dense
from sklearn.datasets import make_regression
from sklearn.preprocessing import MinMaxScaler
from matplotlib import pyplot
from numpy import array
致谢:本文有一部参考设计,时基于数理统计科学家G Muriuki,设计思路也源于数理统计科学家G Muriuki大师的分析,在此基础上增加了深度、轮数、学习率等参数,感谢G Muriuki无私分享。采用2个Kaggle的数据集,其中使用自1930年第一届世界杯以来的所有参赛队的历史赛事结果。
相关文章
- 机器学习 - pycharm, tensorflow集成篇
- 机器学习 - pycharm, pyspark, spark集成篇
- 机器学习之深度学习
- 《百面机器学习》拾贝----第二章:模型评估
- 《百面机器学习》拾贝----第五章:非监督学习
- 机器学习笔记:常用数据集之scikit-learn内置玩具数据集
- 机器学习笔记 - 使用scikit-learn创建混淆矩阵
- 机器学习笔记 - 参加Kaggle手写体数字识别(MNIST)竞赛并提交预测结果
- 机器学习笔记 - 基于Torch Hub的图像分割模型FCN
- 机器学习笔记 - 什么是马尔可夫链?
- 机器学习笔记 - Tensorflow的eager execution和lazy execution
- 机器学习与数据挖掘基本算法初步介绍
- Atitit 机器学习算法分类 目录 1. 传统的机器学习算法 vs 深度学习1 1.1. 传统的机器学习算法包括决策树、聚类、贝叶斯分类、支持向量机、EM、Adaboost等等。2 2. 监
- 机器学习常识(三):训练数据拆分
- 机器学习(十三):支持向量机(SVM)
- 探索五大机器学习技术及其应用
- 【机器学习】精确率(precision)、召回率(recall)以及F1分数的概念讲解加python代码实现
- 机器学习算法中如何选取超参数:学习速率、正则项系数、minibatch size
- pandas dataframe 做机器学习训练数据=》直接使用iloc或者as_matrix即可
- 机器学习 LR中的参数迭代公式推导——极大似然和梯度下降
- 机器学习算法选择——特征提取
- 机器学习中的有标注数据集和无标注数据集
- 机器学习算法四之SVM支持向量机原理详解
- 机器学习:余弦距离(Cosine Dsitance)