Backend-EntwicklungPython-TutorialVorhersage der Chemie von NBA-Spielern mithilfe graphischer neuronaler Netze
Hallo zusammen, mein Name ist sea_turt1e.
In diesem Artikel werden der Prozess und die Ergebnisse des Aufbaus eines maschinellen Lernmodells zur Vorhersage der Spielerchemie in der National Basketball League (NBA) vorgestellt, einer Sportart, die ich sehr liebe.
Übersicht
- Prognostizieren Sie die Spielerchemie mithilfe von graphischen neuronalen Netzen (GNN).
- Die Fläche unter der Kurve (AUC) wird als Bewertungsmaßstab verwendet.
- Die AUC bei Konvergenz beträgt ungefähr 0,73.
- Die Trainingsdaten umfassen die Saison 1996–97 bis zur Saison 2021–22, und die Daten aus der Saison 2022–23 werden für Tests verwendet.
Hinweis: Über NBA
Für Leser, die mit der NBA nicht vertraut sind, sind Teile dieses Artikels möglicherweise schwer zu verstehen. „Chemische Reaktion“ kann aus einer intuitiveren Perspektive verstanden werden. Obwohl sich dieser Artikel auf die NBA konzentriert, könnte die Methode auch auf andere Sportarten und sogar auf die Vorhersage der zwischenmenschlichen Chemie angewendet werden.
Ergebnisse der Vorhersage chemischer Reaktionen
Sehen wir uns zunächst die Vorhersageergebnisse an. Auf den Datensatz und die technischen Details gehe ich später genauer ein.
Erklärung von Seiten und Brüchen
Bei der Vorhersage chemischer Reaktionen weisen rote Kanten auf gute chemische Reaktionen hin, schwarze Kanten auf mäßige chemische Reaktionen und blaue Kanten auf schlechte chemische Reaktionen.
Der Bruch auf der Seite stellt den Wert der chemischen Reaktion dar und reicht von 0 bis 1.
Chemievorhersagen für Starspieler
Hier sind die Chemie-Vorhersagen für Starspieler. Die Grafik enthält nur Paare von Spielern, die nie für dasselbe Team gespielt haben.
Wenn man sich die Vorhersagen von Starspielern ansieht, die noch nie zusammen gespielt haben, sind die Ergebnisse möglicherweise nicht immer intuitiv.
Beispielsweise zeigten LeBron James und Stephen Curry bei den Olympischen Spielen eine hervorragende Koordination, was auf eine gute Chemie schließen lässt. Auf der anderen Seite wird Nikola Jokic überraschenderweise eine schlechte Chemie mit anderen Spielern vorhergesagt.
Chemievorhersagen für wichtige Trades in der Saison 2022-23
Um die Vorhersagen der Realität näher zu bringen, habe ich die Chemie zwischen den Spielern in tatsächlichen Trades für die Saison 2022-23 getestet.
Da Daten aus der Saison 2022-23 nicht in den Trainingsdaten enthalten sind, können Vorhersagen, die mit realistischen Eindrücken übereinstimmen, Hinweise auf die Wirksamkeit des Modells geben.
In der Saison 2022–23 finden mehrere wichtige Trades statt.
Hier sind die Vorhersagen für Schlüsselspieler, darunter Kevin Durant, Kyrie Irving und Rui Hachimura.
Die Chemie-Prognosen für ihr neues Team lauten wie folgt:
- Lakers: Rui Hachimura – LeBron James (roter Rand: gute Chemie)
- Sonnen: Kevin Durant – Chris Paul (Schwarze Seite: Mittlere Chemie)
- Mavericks: Kyrie Irving – Luka Doncic (blaue Seite: schlechte Chemie)
Diese Ergebnisse scheinen angesichts der Dynamik der Saison 2022-23 ziemlich genau zu sein. (Obwohl sich die Dinge für die Suns und Mavericks in der folgenden Saison änderten.)
Technische Details
Als nächstes werde ich die technischen Aspekte erläutern, einschließlich des GNN-Frameworks und der Datensatzvorbereitung.
Was ist GNN?
GNN (Graph Neural Network) ist ein Netzwerk zur Verarbeitung graphstrukturierter Daten.
In diesem Modell werden „chemische Reaktionen zwischen Spielern“ als Diagrammkanten dargestellt und der Lernprozess ist wie folgt:
- Direkte Seite: Das Spielerpaar mit der höheren Anzahl an Assists.
- Negative Seite: Ein Spielerpaar mit einer geringeren Anzahl an Assists.
Bei negativen Kanten gibt das Modell „Teamkollegen mit geringen Assists“ den Vorrang und schwächt den Einfluss von „Spielern aus verschiedenen Teams“.
Was ist AUC?
AUC (Fläche unter der Kurve) bezieht sich auf die Fläche unter der ROC-Kurve und wird als Metrik zur Bewertung der Modellleistung verwendet.
Je näher die AUC bei 1 liegt, desto höher ist die Genauigkeit. In dieser Studie betrug die AUC des Modells etwa 0,73 – ein mittleres bis überdurchschnittliches Ergebnis.
Lernkurve und AUC-Fortschritt
Das Folgende ist die Lernkurve und der AUC-Fortschritt während des Trainingsprozesses:
Datensatz
Die wesentliche Neuerung liegt in der Konstruktion des Datensatzes.
Um die Chemie zu quantifizieren, gehe ich davon aus, dass „hohe Assists“ eine gute Chemie bedeutet. Basierend auf dieser Annahme ist der Datensatz wie folgt aufgebaut:
- Positiv: Spieler mit vielen Assists.
- Negative Seite: Spieler mit geringen Assists.
Darüber hinaus wird ausdrücklich davon ausgegangen, dass Teamkollegen mit einer geringen Assist-Anzahl eine schlechte Chemie haben.
Codedetails
Der gesamte Code ist auf GitHub verfügbar.
Wenn Sie den Anweisungen in der README-Datei folgen, sollten Sie in der Lage sein, den Trainingsprozess nachzubilden und die hier beschriebenen Diagramme darzustellen.
https://www.php.cn/link/867079fcaff2dfddeb29ca1f27853ef7
Zukunftsausblick
Es gibt noch Raum für Verbesserungen und ich habe vor, folgende Ziele zu erreichen:
-
Erweitern Sie die Definition einer chemischen Reaktion
- Beziehen Sie Faktoren ein, die über die Hilfsmittel hinausgehen, um Spielerbeziehungen genauer zu erfassen.
-
Genauigkeit verbessern
- Verbesserung der AUC durch bessere Trainingsmethoden und erweiterte Datensätze.
-
Integrierte Verarbeitung natürlicher Sprache
- Analysieren Sie Spielerinterviews und Social-Media-Beiträge, um neue Perspektiven hinzuzufügen.
-
Schreiben Sie einen Artikel auf Englisch
- Veröffentlichen Sie Inhalte auf Englisch, um ein breiteres internationales Publikum zu erreichen.
-
Entwicklung einer GUI für die Diagrammvisualisierung
- Erstellen Sie eine Webanwendung, die es Benutzern ermöglicht, die Spielerchemie interaktiv zu erkunden.
Fazit
In diesem Artikel beschreibe ich meine Versuche, die Chemie zwischen NBA-Spielern vorherzusagen.
Während sich das Modell noch in der Entwicklung befindet, hoffe ich, mit weiteren Verbesserungen spannendere Ergebnisse zu erzielen.
Lassen Sie gerne Ihre Gedanken und Vorschläge im Kommentarbereich!
Wenn Sie weitere Verbesserungen benötigen, lassen Sie es mich bitte wissen!
Das obige ist der detaillierte Inhalt vonVorhersage der Chemie von NBA-Spielern mithilfe graphischer neuronaler Netze. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!
So verwenden Sie Python, um die ZiPF -Verteilung einer Textdatei zu findenMar 05, 2025 am 09:58 AMDieses Tutorial zeigt, wie man Python verwendet, um das statistische Konzept des Zipf -Gesetzes zu verarbeiten, und zeigt die Effizienz des Lesens und Sortierens großer Textdateien von Python bei der Bearbeitung des Gesetzes. Möglicherweise fragen Sie sich, was der Begriff ZiPF -Verteilung bedeutet. Um diesen Begriff zu verstehen, müssen wir zunächst das Zipf -Gesetz definieren. Mach dir keine Sorgen, ich werde versuchen, die Anweisungen zu vereinfachen. Zipf -Gesetz Das Zipf -Gesetz bedeutet einfach: In einem großen natürlichen Sprachkorpus erscheinen die am häufigsten vorkommenden Wörter ungefähr doppelt so häufig wie die zweiten häufigen Wörter, dreimal wie die dritten häufigen Wörter, viermal wie die vierten häufigen Wörter und so weiter. Schauen wir uns ein Beispiel an. Wenn Sie sich den Brown Corpus in amerikanischem Englisch ansehen, werden Sie feststellen, dass das häufigste Wort "Th ist
Wie benutze ich eine schöne Suppe, um HTML zu analysieren?Mar 10, 2025 pm 06:54 PMIn diesem Artikel wird erklärt, wie man schöne Suppe, eine Python -Bibliothek, verwendet, um HTML zu analysieren. Es beschreibt gemeinsame Methoden wie find (), find_all (), select () und get_text () für die Datenextraktion, die Behandlung verschiedener HTML -Strukturen und -Anternativen (SEL)
Wie führe ich ein tiefes Lernen mit Tensorflow oder Pytorch durch?Mar 10, 2025 pm 06:52 PMDieser Artikel vergleicht TensorFlow und Pytorch für Deep Learning. Es beschreibt die beteiligten Schritte: Datenvorbereitung, Modellbildung, Schulung, Bewertung und Bereitstellung. Wichtige Unterschiede zwischen den Frameworks, insbesondere bezüglich des rechnerischen Graps
Serialisierung und Deserialisierung von Python -Objekten: Teil 1Mar 08, 2025 am 09:39 AMSerialisierung und Deserialisierung von Python-Objekten sind Schlüsselaspekte eines nicht trivialen Programms. Wenn Sie etwas in einer Python -Datei speichern, führen Sie eine Objektserialisierung und Deserialisierung durch, wenn Sie die Konfigurationsdatei lesen oder auf eine HTTP -Anforderung antworten. In gewisser Weise sind Serialisierung und Deserialisierung die langweiligsten Dinge der Welt. Wen kümmert sich um all diese Formate und Protokolle? Sie möchten einige Python -Objekte bestehen oder streamen und sie zu einem späteren Zeitpunkt vollständig abrufen. Dies ist eine großartige Möglichkeit, die Welt auf konzeptioneller Ebene zu sehen. Auf praktischer Ebene können das von Ihnen ausgewählte Serialisierungsschema, Format oder Protokoll jedoch die Geschwindigkeit, Sicherheit, den Status der Wartungsfreiheit und andere Aspekte des Programms bestimmen
Mathematische Module in Python: StatistikMar 09, 2025 am 11:40 AMDas Statistikmodul von Python bietet leistungsstarke Datenstatistikanalysefunktionen, mit denen wir die allgemeinen Merkmale von Daten wie Biostatistik und Geschäftsanalyse schnell verstehen können. Anstatt Datenpunkte nacheinander zu betrachten, schauen Sie sich nur Statistiken wie Mittelwert oder Varianz an, um Trends und Merkmale in den ursprünglichen Daten zu ermitteln, die möglicherweise ignoriert werden, und vergleichen Sie große Datensätze einfacher und effektiv. In diesem Tutorial wird erläutert, wie der Mittelwert berechnet und den Grad der Dispersion des Datensatzes gemessen wird. Sofern nicht anders angegeben, unterstützen alle Funktionen in diesem Modul die Berechnung der Mittelwert () -Funktion, anstatt einfach den Durchschnitt zu summieren. Es können auch schwimmende Punktzahlen verwendet werden. zufällig importieren Statistiken importieren Aus Fracti
Professionelle Fehlerbehandlung mit PythonMar 04, 2025 am 10:58 AMIn diesem Tutorial lernen Sie, wie Sie mit den Fehlerbedingungen in Python umgehen, aus Sicht des Systems. Fehlerbehandlung ist ein kritischer Aspekt des Designs und überschreitet von den niedrigsten Ebenen (manchmal der Hardware) bis zu den Endbenutzern. Wenn y
Was sind einige beliebte Python -Bibliotheken und ihre Verwendung?Mar 21, 2025 pm 06:46 PMIn dem Artikel werden beliebte Python-Bibliotheken wie Numpy, Pandas, Matplotlib, Scikit-Learn, TensorFlow, Django, Flask und Anfragen erörtert, die ihre Verwendung in wissenschaftlichen Computing, Datenanalyse, Visualisierung, maschinellem Lernen, Webentwicklung und h beschreiben
Schaberwebseiten in Python mit wunderschöner Suppe: Suche und DOM -ModifikationMar 08, 2025 am 10:36 AMDieses Tutorial baut auf der vorherigen Einführung in die schöne Suppe auf und konzentriert sich auf DOM -Manipulation über die einfache Baumnavigation hinaus. Wir werden effiziente Suchmethoden und -techniken zur Änderung der HTML -Struktur untersuchen. Eine gemeinsame DOM -Suchmethode ist Ex
Heiße KI -Werkzeuge
Undresser.AI Undress
KI-gestützte App zum Erstellen realistischer Aktfotos
AI Clothes Remover
Online-KI-Tool zum Entfernen von Kleidung aus Fotos.
Undress AI Tool
Ausziehbilder kostenlos
Clothoff.io
KI-Kleiderentferner
AI Hentai Generator
Erstellen Sie kostenlos Ai Hentai.
Heißer Artikel
Heiße Werkzeuge
SublimeText3 Mac-Version
Codebearbeitungssoftware auf Gottesniveau (SublimeText3)
SAP NetWeaver Server-Adapter für Eclipse
Integrieren Sie Eclipse mit dem SAP NetWeaver-Anwendungsserver.
Herunterladen der Mac-Version des Atom-Editors
Der beliebteste Open-Source-Editor
mPDF
mPDF ist eine PHP-Bibliothek, die PDF-Dateien aus UTF-8-codiertem HTML generieren kann. Der ursprüngliche Autor, Ian Back, hat mPDF geschrieben, um PDF-Dateien „on the fly“ von seiner Website auszugeben und verschiedene Sprachen zu verarbeiten. Es ist langsamer und erzeugt bei der Verwendung von Unicode-Schriftarten größere Dateien als Originalskripte wie HTML2FPDF, unterstützt aber CSS-Stile usw. und verfügt über viele Verbesserungen. Unterstützt fast alle Sprachen, einschließlich RTL (Arabisch und Hebräisch) und CJK (Chinesisch, Japanisch und Koreanisch). Unterstützt verschachtelte Elemente auf Blockebene (wie P, DIV),
SecLists
SecLists ist der ultimative Begleiter für Sicherheitstester. Dabei handelt es sich um eine Sammlung verschiedener Arten von Listen, die häufig bei Sicherheitsbewertungen verwendet werden, an einem Ort. SecLists trägt dazu bei, Sicherheitstests effizienter und produktiver zu gestalten, indem es bequem alle Listen bereitstellt, die ein Sicherheitstester benötigen könnte. Zu den Listentypen gehören Benutzernamen, Passwörter, URLs, Fuzzing-Payloads, Muster für vertrauliche Daten, Web-Shells und mehr. Der Tester kann dieses Repository einfach auf einen neuen Testcomputer übertragen und hat dann Zugriff auf alle Arten von Listen, die er benötigt.
