Prédisez le deuxième tour de l'été 2016 avec scikit-learn

introduction

Ceci est la deuxième étude gratuite des vacances d'été pour toucher «scikit-learn». Le premier est ici. Comme d'habitude, le contenu est débutant, mais pardonnez-moi s'il vous plaît.

Cette fois, j'ai pensé à prédire la puissance de score du deuxième tour en apprenant le résultat du match du premier tour en fonction des résultats du tournoi local. C'est un apprentissage automatique recherché depuis longtemps (Sumimasen est plein de sentiments que je voulais essayer).

Données d'entraînement

Sur la base des Résultats époustouflants du tournoi local utilisé la dernière fois, la combinaison du premier match pour chaque école représentative Apprenez le score du premier match en combinant la performance du lanceur du lycée adverse avec des données d'apprentissage J'ai décidé de te laisser.

Les données d'apprentissage créées sont ici. Puisqu'il y a 49 écoles, Daisuke Morioka apparaîtra deux fois comme école partenaire pour le premier match.

Apprentissage et prédiction

Comme mentionné ci-dessus, sur la base des données du tournoi local, tous les résultats au bâton et les résultats du lanceur de l'adversaire sont appris en tant que variables explicatives. La variable objective est le nombre de points marqués lors du premier match de Koshien.

L'algorithme d'apprentissage est la «régression linéaire». Comme d'habitude, je n'ai pas les connaissances pour en choisir un autre ...

Ensuite, comme données de prédiction pour vérifier le résultat d'apprentissage, examinez la combinaison du deuxième tour et aimez les données d'entraînement ici -jeu-2016.csv).

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

#Apprenez les résultats du premier match
df = pd.read_csv('round1-result-2016.csv')
X = df.drop(['Préfecture','PréfectureNo','nom de l'école','École de combat','But'], axis=1)
Y = df['But'].as_matrix()

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

#Prédiction du deuxième tour
df_round2 = pd.read_csv('round2-game-2016.csv')
X_round2 = df_round2.drop(['Préfecture','PréfectureNo','nom de l'école','École de combat'], axis=1)
round2_pred=clf.predict(X_round2)

print(round2_pred)

résultat

Le 13 août, quand j'ai écrit ceci, Morioka Ofu était différent de ce à quoi je m'attendais, mais j'ai été un peu surpris que les résultats de Chiben et Naruto m'aient frappé. J'obtiens un résultat négatif, mais je pense que c'est parce que le tournoi local de l'autre école a 0 but et 0 taux de défense.

C'est juste un jeu numérique de type science des données. Veuillez ne pas vous méprendre car nous n'avons aucune intention de faire appel ou de critiquer la compétition ou les joueurs réels.