小米路由器3 做网站,wordpress小商城,重庆新华网,校考前做试题的网站目录 前言总体设计系统整体结构图系统流程图 运行环境Python环境Jupyter Notebook环境PyCharm环境MATLAB环境 模块实现1. 数据预处理1#xff09;常规赛数据处理2#xff09;季后赛数据处理 相关其它博客工程源代码下载其它资料下载 前言
本项目使用了从NBA官方网站获得的数… 目录 前言总体设计系统整体结构图系统流程图 运行环境Python环境Jupyter Notebook环境PyCharm环境MATLAB环境 模块实现1. 数据预处理1常规赛数据处理2季后赛数据处理 相关其它博客工程源代码下载其它资料下载 前言
本项目使用了从NBA官方网站获得的数据并运用了支持向量机SVM模型来进行NBA常规赛和季后赛结果的预测。此外项目还引入了相关系数法、随机森林分类法和Lasso方法以评估不同特征的重要性。最后使用Python库中的webdriver功能实现了自动发帖并提供了科学解释来解释比赛预测结果。
首先项目采集了NBA官方网站上的各种数据这些数据包括球队与对手的历史表现、球员数据、赛季统计等。这些数据用于构建常规赛或季后赛结果的预测模型。
其次支持向量机SVM模型被用来分析这些数据以进行常规赛或季后赛结果的预测。SVM是一种强大的机器学习算法可以通过分析数据来确定不同特征对比赛结果的影响。
项目还使用了相关系数法、随机森林分类法和Lasso方法以评估每个特征对常规赛或季后赛结果的重要性。这有助于识别哪些因素对比赛胜负有更大的影响。
最后项目利用Python中的webdriver库自动发帖在开源中国论坛中发布关于比赛预测的帖子。这些帖子不仅提供了预测结果还附带了科学解释以便其他球迷能够理解模型如何得出这些预测。这对于NBA球迷和数据科学爱好者来说可能是一个非常有趣的项目能够帮助他们更好地理解比赛和预测比赛结果。
总体设计
本部分包括系统整体结构图和系统流程图。
系统整体结构图
系统整体结构如图所示。 系统流程图
模型处理流程如图所示。 自动发帖流程如图所示。 运行环境
本部分包括Python环境、Jupyter Notebook环境、PyCharm环境和Matlab环境。
Python环境
需要Python 3.6及以上配置在Windows环境下推荐下载Anaconda完成Python所需环境的配置下载地址为https://www.anaconda.com/也可下载虚拟机在Linux环境下运行代码。
鼠标右击“我的电脑”单击“属性”选择高级系统设置。单击“环境变量”找到系统变量中的Path单击“编辑”然后新建将Python解释器所在路径粘贴并确定。
Jupyter Notebook环境
打开Anaconda Prompt转到HOME界面单击JupyterNotebook的下载按钮选择6.0.1版本或者更高的版本下载即可。
PyCharm环境
安装PyCharm并激活PyCharm下载地址为http://www.jetbrains.com/pycharm/download/#sectionwindows进入网站后单击Comminity版本下的DOWNLOAD下载安装包下载完成后安装。
MATLAB环境
MATLAB版本为9.5.0.944444 (R2018b) MATLAB许可证编号为968398。操作系统为Microsoft Windows10企业版2016长期服务版为Version10.0 (Build14393) 。
模块实现
本项目包括4个模块:数据预处理、特征提取、模型训练及评估、模型训练准确率下面分别介绍各模块的功能及相关代码。
1. 数据预处理
数据处理分为常规赛和季后赛。
1常规赛数据处理
数据集地址为https://www.basketball-reference.com/下载后导入。使用Pandas的read_csv函数读取数据表相关代码如下:
Mstat pd.read_csv(nbadata/17-18Miscellaneous_Stat.csv)
#球队赛季总和统计数据
Ostat pd.read_csv(nbadata/17-18Opponent_Per_Game_Stat.csv)
#对手赛季平均每场比赛统计数据
Tstat pd.read_csv(nbadata/17-18Team_Per_Game_Stat.csv)
#球队赛季平均每场比赛统计数据
result_data pd.read_csv(nbadata/2017-2018_result.csv)
#18~19赛季比赛日历和结果
Mstat# 球队综合数据图
Ostat.head()#球队对手数据图
Tstat.head()#球队场均数据图部分数据如图1-图3所示。
图1 球队综合数据 图2 球队对手数据 图3 球队场均数据 进行数据初始化如下:
#删除无用列
new_Mstat Mstat.drop([Rk, Arena], axis1)
new_Ostat Ostat.drop([Rk, G, MP], axis1)
new_Tstat Tstat.drop([Rk, G, MP], axis1)
#根据队名横向拼接前两个表
team_stats1 pd.merge(new_Mstat, new_Ostat, howleft, onTeam)
#根据队名横向拼接上三个表
team_stats1 pd.merge(team_stats1, new_Tstat, howleft, onTeam)
team_statsteam_stats1.set_index(Team, inplaceFalse, dropTrue)
team_stats1.head()#拼接表显示
result_data.head()#常规赛结果拼接结果如图所示。 2017-2018赛季比赛结果前5个数据如图所示。
2季后赛数据处理
季后赛预测需要提取的特征有常规赛球队得分、核心球员数量、核心球员得分、教练常规赛执教总场数、常规赛执教总胜率、季后赛执教总场数和季后赛执教总胜率共7个特征。需要准备的数据有:常规赛队伍场均数据和对手场均数据位于data/team_and_op文件夹下;教练数据位于data/coach文件夹下;球员各项数据位于data/player_score文件夹下;季后赛数据位于data/playoff文件夹下。所有数据均为2010-2011赛季至2018-2019赛季数据。
相关代码如下
tfname glob.glob(data/team_and_op/*t.csv)
ofname glob.glob(data/team_and_op/*o.csv)
for tname, oname, playoff in zip(tfname, ofname, playfname):
#读取队伍数据
df pd.read_csv(tname)
#读取队伍对手数据
df_ pd.read_csv(oname)获得的原数据中队名列中随机带有“*”将其删除教练数据及球员数据的队名是缩写将其替换为全名在采取数据的9个赛季中有些队伍更改了名称需统一为当前队名。使用pandas DataFrame对象的replace方法完成。
相关代码如下:
df.replace(oldname, newname)相关其它博客
基于SVMWebdriver的智能NBA常规赛与季后赛结果预测系统——机器学习算法应用(含python、ipynb工程源码)所有数据集二
基于SVMWebdriver的智能NBA常规赛与季后赛结果预测系统——机器学习算法应用(含python、ipynb工程源码)所有数据集三
基于SVMWebdriver的智能NBA常规赛与季后赛结果预测系统——机器学习算法应用(含python、ipynb工程源码)所有数据集四
工程源代码下载
详见本人博客资源下载页 其它资料下载
如果大家想继续了解人工智能相关学习路线和知识体系欢迎大家翻阅我的另外一篇博客《重磅 | 完备的人工智能AI 学习——基础知识学习路线所有资料免关注免套路直接网盘下载》 这篇博客参考了Github知名开源平台AI技术平台以及相关领域专家DatawhaleApacheCNAI有道和黄海广博士等约有近100G相关资料希望能帮助到所有小伙伴们。
