我用机器学习算法预测了下欧洲杯的走势，大家看靠谱吗？
108回复/7亮 32075浏览
小弟不才，计算机小硕，闲来无事，用机器学习的方法对欧洲杯进行了预测。特征：ELO积分，历史战绩，历史场均进失球输出：队1对队2的净胜球算法：随机森林分类器附上源代码，大神请找茬。做的比较粗糙，预测结果如下图所示。大家觉得靠谱吗？十六强和对阵结果（刚刚有人指出小bug，已改正）：小组赛积分榜：[ 此帖被CR7罗纳尔多在 10:50修改 ]
作为一个球迷，最痛苦的事莫过于看着自己喜欢的球星慢慢老去。
这些回帖亮了
你基于现在的elo 做的预测，而你training 里的elo 是比赛时的elo，所以在用training 结果时，需要时时更新欧洲杯这些球队的elo。粗看了一下code，你好像没有考虑到这一点。
有神贴潜质，不过我觉得冰岛不会这么惨
还有威尔士，毕竟没有什么历史战绩，所以看上去数据就很难看
更适合用online的方式train吧，就是6楼说的那样，不断跟新elo，胜负之类的
估计ml最大的缺点就是没办法爆冷了，除非模型上特别添加一个爆冷概率，哈哈
现在默认算法不是应该用xgboost, 推荐重新来一个
我想问一下training data里面outcome是哪个变量？我觉得一个重要的问题是我没有看到概率模型，事实上每一场比赛都不是独立的。即使不考虑独立性，用随机森林的问题是：RF太追求预测准确率了，所以最后预测的结果一定是强队赢，我推荐用一些模型好解释的概率模型，比如最简单的logistic；即使是RF的话，最后实际上也可以返回每一类的概率。我的看法是应该每次从这个概率中sample一个结果，重复上万次最后得到一个冠军的赔率。
ML不是特别了解，不过光根据历史战绩的预测的确不是很容易爆冷。我觉得爆冷可以不用概率，而是用近期的预选赛和友谊赛成绩作为一个变量加入模型。这样就相当于考虑了球队近期状态，提供了爆冷的可能。
按照这个方法预测是基本不会出现冷门的
有神贴潜质，不过我觉得冰岛不会这么惨
还有威尔士，毕竟没有什么历史战绩，所以看上去数据就很难看
槽点有点多。。瑞士有没有那么吊，那半区的对手也实在是。。但是最后结果很满意~
美国密歇根州大底特律地区CAE工程师一只~
万年火箭迷~德国队迷~Florida Gators~
It's not who you are underneath, but what you do that defines you.
我们真的就像大海的波涛上那些浮浮沉沉的小木片，既然如此，何必去继续制造出那一些多如繁星的立场。
大神求抱大腿
难道意大利不是3战3平？？？
失败的教育是用一种方式教育50个人，成功的教育是用50种方式去教育一个人
你基于现在的elo 做的预测，而你training 里的elo 是比赛时的elo，所以在用training 结果时，需要时时更新欧洲杯这些球队的elo。粗看了一下code，你好像没有考虑到这一点。
你这淘汰赛没有什么爆冷啊 爆冷总会或多或少有一点吧
更适合用online的方式train吧，就是6楼说的那样，不断跟新elo，胜负之类的
估计ml最大的缺点就是没办法爆冷了，除非模型上特别添加一个爆冷概率，哈哈
现在默认算法不是应该用xgboost, 推荐重新来一个
意义有限吧，杯赛伤病影响太大，伤一个核心球员就很难算是同一支球队了。
冷たい檻に閉ざされた夢、返していただきますわ！お覚悟決めなさい！
引用5楼 @ 发表的:难道意大利不是3战3平？？？
很明显，一胜一平一负，丢球和进球数一样！不要再黑我意大利了！还有，连续三年淘汰赛碰到西班牙什么仇什么怨！！！
按照这个方法预测是基本不会出现冷门的
不知道，不过先存档
为啥有两个罗马尼亚？
不管对不对先收藏下，隐隐感觉欧洲杯后帖子要火，哈哈！火钳刘明！
Enduring defeats make me more powerful and stronger.
不是我的方向。爆冷可以单独设一个RV？其他就根据train 好的。的比赛结束了，看看靠不靠谱吧～ 还没看Code，不过历史战绩的weight可以用另外一个layer决定？
ML不是特别了解，不过光根据历史战绩的预测的确不是很容易爆冷。我觉得爆冷可以不用概率，而是用近期的预选赛和友谊赛成绩作为一个变量加入模型。这样就相当于考虑了球队近期状态，提供了爆冷的可能。
引用8楼 @ 发表的:更适合用online的方式train吧，就是6楼说的那样，不断跟新elo，胜负之类的
估计ml最大的缺点就是没办法爆冷了，除非模型上特别添加一个爆冷概率，哈哈
现在默认算法不是应该用xgboost, 推荐重新来一个
确实可以加个小概率事件发生概率啊。
引用17楼 @ 发表的:
确实可以加个小概率事件发生概率啊。
爆冷本来就是随机事件，你不可能用RV来预测随机事件，就像你不能用抛硬币来预测石头剪刀布的结果一样
我上网看看赔率就得出了一样的结论
楼主goal dofferences怎么得到的？
您需要登录后才可以回复，请
& 允许多选
18人参加识货团购308.00元11人参加识货团购308.00元6人参加识货团购338.00元18人参加识货团购239.00元12人参加识货团购289.00元14人参加识货团购269.00元16人参加识货团购358.00元16人参加识货团购99.00元26人参加识货团购199.00元26人参加识货团购768.00元55人参加识货团购448.00元38人参加识货团购339.00元评论该主题
作者：您目前是匿名发表 &
作者：，欢迎留言
提示：用户在社区发表的所有资料、言论等仅代表个人观点，与本网站立场无关，不对您构成任何投资建议。用户应基于自己的独立判断，自行决定证券投资并承担相应风险。她再也控制住自己情感，边哭边喊着妈妈。
小公举深夜开启17年虐狗第一弹，宣布昆凌怀二胎。
声明：本文由入驻搜狐公众平台的作者撰写，除搜狐官方账号外，观点仅代表作者本人，不代表搜狐立场。
　　机器学习领域仍处于起步阶段，许多顶尖的技术公司也收集了大批可能经验丰富的机器学习人才，准备开发AI经济。其他一些小企业受到机器学习的影响，以及有一颗想成为独角兽的野心，也纷纷迈入这场战争。在2017年，整个ML生态系统可能开始回归正确的轨道。
　　对于一些企业来说，2017年的机器学习市场可能是多云笼罩的情况，但可以通过一些措施窥探到阳光。更直接地说，企业需要越过AI概念的炒作阶段，找到将机器学习纳入其操作的实用方法。这需要认真决策，选择一个合适的内部平台，这将有助于利用专有数据集建立一些项目。机器学习这条路不可避免，但重要的是通过相关工作最终对社会经济产生影响。
　　从企业消化，采纳和利用机器学习深入实践的结果来看，对于许多企业来说这是一个非常糟糕的旅程。目前为止，很少有人可以优雅地走完这条路。BigML比较了各种“专家”言论，给出了它们对2017年机器学习领域的预测。
　　在预测之前，我们必须注意到2016年是很特别的一年，即便各大厂商争得如火如荼，但全球最具价值的公司前五名全部都是老牌的科技公司。这五大公司都具有大规模的网络效应，复杂的分析技术和庞大的数据中心。在过去这一年，他们一直试图使机器学习成为他们未来发展的新支点，技术部门在公司的主导地位越来越明显，这将使企业在世界经济的数字化浪潮中受益匪浅。
　　这之中有一些传统公司(即拥有丰富数据的非技术公司，以及小型科技公司)努力消除技术壁垒试图成为全球经济价值链的一个组成部分...但对这些公司而言，不仅仅是生存，而是要成长!最新一期的麦肯锡报告《分析时代：数据驱动世界的竞争力》中显示目前现代分析技术的潜力仅有30%得以实现，更糟糕的是，各行业之间的进展非常不平衡。
　　这意味着2017年将会有更多的传统公司加入机器学习之旅，聪明的人应该学会从别人的错误中分离出自己，所以让我们来看一下2017年的机器学习领域有哪些趋势：
　　PREDICTION 1
　　大数据预测是机器学习的门户
　　聪明的公司早已学会运用大数据来解决问题，以满足他们对技术复杂性的要求，通过数据分析对趋势、方案进行决策将是机器学习最基本的应用。
　　PREDICTION 2
　　风投更看重基于算法的初创公司
　　风投将更看重基于算法的初创公司，尤其是近两年基于学术成果创业的公司越来越多，如何将研究成果市场化是这些初创公司要进一步考虑的。同时，有些问题可能也会继续存在，比如将机器学习认为是深度学习的同义词，错误地理解机器学习算法与机器学习模型之间的差异等。但不管怎么说，VC社区似乎正在唤醒机器学习的潜力。
　　PREDICTION 3
　　机器学习人才将越来越多
　　机器学习领域正在受到媒体的疯狂追捧，其中的年轻学者尤为受到关注，最终很可能被上述投资者资助。很多公司会发现很难在算法上与其他公司竞争，因为只有很少的算法可以在实践中真正市场化。大多数情况下，这些人才只是被收入公司的机器学习团队，公司大肆招收机器学习人才会给外人造成一种该公司正在加紧进行AI产品研制的错觉。
　　PREDICTION 4
　　幻灯片上的机器学习计划将以呜咽声结束
　　面对新的技术趋势，传统的公司高管一般会选择从咨询公司获取帮助，最后拿到一些看起来很合理的分析策略。实际工作中，又发现很难实现，这是因为分析策略必须是基于正确的数据架构和灵活的基础计算设施，当然更重要的是，机器学习领域每天似乎都有新进展，那些停留在幻灯片上的想法，很快就会过时。
　　PREDICTION 5
　　深度学习领域的商业成功案例将不再是几个
　　要说深度学习最显著的研究成果，可能就是AlphaGo了，这也将继续引起媒体的兴趣。然而，它在实践中的进步，比如语音识别和图像理解方面的进步，才是真正值得关注的驱动力，企业可以在合适的位置应用这些逐渐成熟的技术。但深度学习领域缺乏重要的研究突破，这可能是目前大多数传统企业尝试深度学习之后得出的结论。
　　PREDICTION 6
　　探索不确定性将为机器学习上升新高度铺平道路
　　机器学习只是AI的一小部分。对机器学习过多的关注和由此带来的不确定性可能会导致更多的初创公司诞生，学习和探索的过程就是灵感迸发的过程。
　　PREDICTION 7
　　人类仍将是决策的核心
　　一些简单的和基于算法或数据的决策可能会由机器学习来做，但人类仍然是决策的核心。由于监管框架的不健全，管理方法的创新，终端客户的复杂性以及对高质量体验的需求不同，需要过一段时间企业才能创建出真正的智能系统。同时一些企业也慢慢学会信任模型，因为他们意识到算法在许多情况下确实可以胜过人类。
　　PREDICTION 8
　　敏捷机器学习将实现
　　一个更实用，更敏捷的机器学习方法将在明年实现。企业数据团队可以仔细挑选算法，使用抽样数据集解决问题，并且这一过程具有良好的信噪比。企业将不再受数据访问和复杂的工具部署的束缚，不仅可以改进其核心操作，而且可以考虑用于更高风险操作的预测，这些概念可以作为全新收入流的推动因素。
　　PREDICTION 9
　　MLaaS平台将成为企业的“AI骨干”
　　MLaaS平台将成为机器学习的骨干，由于在MLaaS基础设施上构建的新一轮应用程序，商业机器学习将变得更便宜。特别是云机器学习平台将通过以下方式使机器学习民主化：
　　1、通过消除复杂性或前端供应商合同大大降低成本
　　2、提供预先配置的框架，包装最有效的算法
　　3、从最终用户提取基础架构设置和管理的复杂性
　　4、通过REST API和绑定提供轻松集成，工作流自动化和部署选项。
　　PREDICTION 10
　　公司将引入更多的数据科学家和机器学习开发人员
　　2017年将是机器学习人才最紧俏的一年，数以亿计的企业在努力打破人才瓶颈，开发人员将开始在MLaaS平台上快速构建和扩展应用程序，这些应用程序可以更好地抽象出细节(例如，集群配置和管理，监视和分发等)。开发人员只需要一个精心设计和记录良好的API，而不是只知道LR解析器是如何编译和执行Java代码的。
　　我们仍处于“分析时代”的早期阶段，我们对机器学习应该保持冷静，并继续努力使其成为企业业务实践的最佳炼金术。
（来源：IT168网站）
　　神州泰岳（股票代码：300002）旗下成员企业
　　中国非结构化大数据领先技术提供商
　　领跑人工智能认知技术
【长按二维码，关注我们！】
欢迎举报抄袭、转载、暴力色情及含有欺诈和虚假信息的不良文章。
请先登录再操作
请先登录再操作
微信扫一扫分享至朋友圈
搜狐公众平台官方账号
生活时尚&搭配博主 /生活时尚自媒体 /时尚类书籍作者
搜狐网教育频道官方账号
全球最大华文占星网站-专业研究星座命理及测算服务机构
主演：黄晓明/陈乔恩/乔任梁/谢君豪/吕佳容/戚迹
主演：陈晓/陈妍希/张馨予/杨明娜/毛晓彤/孙耀琦
主演：陈键锋/李依晓/张迪/郑亦桐/张明明/何彦霓
主演：尚格?云顿/乔?弗拉尼甘/Bianca Bree
主演：艾斯?库珀/ 查宁?塔图姆/ 乔纳?希尔
baby14岁写真曝光
李冰冰向成龙撒娇争宠
李湘遭闺蜜曝光旧爱
美女模特教老板走秀
曝搬砖男神奇葩择偶观
柳岩被迫成赚钱工具
大屁小P虐心恋
匆匆那年大结局
乔杉遭粉丝骚扰
男闺蜜的尴尬初夜
客服热线：86-10-
客服邮箱：}