AI 揭晓答案，2022世界杯冠军已出炉

最新推荐文章于 2024-07-19 16:36:18 发布
最新推荐文章于 2024-07-19 16:36:18 发布
阅读量6.1k 收藏 5
点赞数 4
分类专栏： 机器学习 文章标签： python pandas 数据分析 机器学习 大数据
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/m0_59596937/article/details/128245160
版权

卡塔尔世界杯，究竟谁能捧起大力神杯，就让我们用机器学习预测一下吧！

文章目录

数据源

为了构建机器学习模型，我们需要来自团队的数据。首先需要一些能够说明球队表现的信息，这些信息可以从之前的比赛中提取出来。此外，在构建功能时使用 FIFA 排名。它们将有助于量化球队在比赛中面对对手的素质。这两个数据都可以在 Kaggle 上找到。

技术提升

本文由技术群粉丝分享，项目源码、数据、技术交流提升，均可加交流群获取，群友已超过2000人，添加时最好的备注方式为：来源+兴趣方向，方便找到志同道合的朋友

方式①、添加微信号：dkl88191，备注：来自CSDN +研究方向
方式②、微信搜索公众号：Python学习与数据挖掘，后台回复：加群

数据集构建

哪些特征可以影响足球比赛的胜负？这个问题有一个非常开放的答案。从选定的球员到当天球场的温度，一切都会对结果产生影响。然后，这里选择仅使用参与比赛的每个团队的过去统计数据构建一个数据集，优先考虑可以通过简单方式收集的可量化统计数据，例如进球数、平均排名、赢得的分数以及其他将详细点。

此外，将仅分析 2022 年世界杯周期的表现。这个想法是只考虑世界杯备战中表现的变化。

import pandas as pd  
import re  
df =  pd.read_csv("games/results.csv") #games between national teams  
df["date"] = pd.to_datetime(df["date"])  
df = df[(df["date"] >= "2018-8-1")].reset_index(drop=True) #games at the 2022 wc cycle  
df_wc = df #pre-wc outcomes  
  
rank = pd.read_csv("fifa_ranking-2022-10-06.csv") #rankings  
rank["rank_date"] = pd.to_datetime(rank["rank_date"])   
rank = rank[(rank["rank_date"] >= "2018-8-1")].reset_index(drop=True) #selecting games from the 2022 wc cycle  
rank["country_full"] = rank["country_full"].str.replace("IR Iran", "Iran").str.replace("Korea Republic", "South Korea").str.replace("USA", "United States") #ajustando nomes de algumas seleções  
rank = rank.set_index(['rank_date']).groupby(['country_full'], group_keys=False).resample('D').first().fillna(method='ffill').reset_index()  
rank_wc = rank #dataframe with rankings  
  
#Making the merge  
df_wc_ranked = df_wc.merge(rank[["country_full", "total_points", "previous_points", "rank", "rank_change", "rank_date"]], left_on=["date", "home_team"], right_on=["rank_date", "country_full"]).drop(["rank_date", "country_full"], axis=1)  
df_wc_ranked = df_wc_ranked.merge(rank[["country_full", "total_points", "previous_points", "rank", "rank_change", "rank_date"]], left_on=["date", "away_team"], right_on=["rank_date", "country_full"], suffixes=("_home", "_away")).drop(["rank_date", "country_full"], axis=1)

以上是创建所需数据集的代码。

数据集

如上所示，数据集已准备就绪，还有更多关于客队的信息。重要的是要记住国家队之间的大部分比赛都是在中立场地进行的，但这里将使用“主队”和“客队”的名称来简化谈论所涉及球队的方式。

功能开发

现在，我们需要一组候选特征。有了它们，我们可以进行分析，表明该特征是否具有预测能力，以了解我们是否需要保留、删除或修改该特征。作为候选计算的特征是：

  • 世界杯周期和最近 5 场比赛的平均进球数。

  • 世界杯周期和最近 5 场比赛的平均进球数。

  • 每支球队之间的 FIFA 排名位置差异。

  • 国际足联排名每支球队在世界杯周期比赛和最近 5 场比赛中平均面对。

  • 从周期的第一场比赛到现在，FIFA 排名的积分增加。

  • FIFA 排名 5 场比赛前和现在的积分增加。

  • 世界杯周期和最近 5 场比赛的平均局分。

  • 根据世界杯周期和最近 5 场比赛中的排名位置加权平均赢得的比赛积分。

  • 分类变量告诉游戏是否是友好的。

前两个特征用于量化一支球队的进攻力和防守力。国际足联在比赛中排名位置的差异是用来量化国际足联计算的两队实力的差异。面对平均排名用于分析球队面对的对手的实力。

国际足联排名积分的增加是为了分析世界杯周期和最近5场比赛中球队质量的增加。

球队的场均胜率是纯粹量化球队的表现，而球队的场均胜负加权平均是根据球队所面对的对手的排名位次进行加权，以分析球队的表现是否高对低水平的对手。

要基于 FIFA 排名构建特征，有两种选择：使用 FIFA 排名积分，或使用 FIFA 排名位置。除了排名的增加，我们选择在所有功能中使用排名位置。我们没有创建相同的功能，仅通过 FIFA 排名点改变 FIFA 排名位置，因为这些列是非常负相关的，如下所示。

那么，通过使用排名的分数和排名的位置来创建加权平均游戏积分等特征的两个版本是没有意义的，因为它们会产生相同的结果。

数据分析

在建模之前，需要分析将要预测的内容。然而，理想的预测是赢、平、输，一个 3 类分类问题很难分析和评估。然后，我们决定在两个类别之间进行预测：主队赢和主队平/输。

为了分析与目标相关的特征，我们将使用小提琴图和箱线图。这个想法是分析它们的分布如何与每个类的值相关，以及它们是否可以很好地分离数据。

第一组数据的小提琴图

对于第一组数据，已经创建的，只有rank_dif，两队排名的差值，对target classes有影响。因此将根据差异创建更多特征，因为它们似乎是很好的预测指标：

-目标差异。

  • 遭遇净胜球。

  • 球队进球与对手进球之间的差异。

我们再次分析了小提琴图。

小提琴图的新特点

目标的差异和目标的差异所遭受的特征有很好的影响。然而，映射球队进球与对手进球之间差异的特征没有影响。因此，我们现在：

  • 排名差异。

  • 世界杯周期和最近 5 场比赛的进球差异。

  • 在世界杯周期和最近 5 场比赛中出现净胜球。

此外，我们还可以计算积分的差异、排名位置的差异以及排名所获得的积分差异。而且，为了衡量对手的水平，还考虑了以下特征：排名所造成的进球与所遭受的进球之间的差异。

由于规模小，用小提琴查看这些数据不是很有效。然后，再分析这些数据的箱线图。

Violin 和 Boxplot 的差异特征

积分差异、排名的进球差异、排名的积分差异和面临的排名差异是很好的特征。但是，他们最近 5 场比赛的版本和他们整个周期的版本似乎是相关的。我们会在下面检查这个。

特征的相关性 分析相关性可以看出，在排名做出的目标差异中，理想的是只选择其中一个版本，而这里选择了考虑全周期的版本。对于其他人，可以同时使用这两个版本。

然后，作为特征，我们有：

  • 排名差异（rank_dif）

  • 世界杯周期和过去 5 场比赛的平均进球数之间的差异 (goals_dif/goals_dif_l5)

  • 世界杯周期和过去 5 场比赛平均进球数之间的差异 (goals_suf_dif/goals_suf_dif_l5)

  • 世界杯周期和最近 5 场比赛的平均排名差异 (dif_rank_agst/dif_rank_agst_l5)

  • 世界杯周期平均排名加权进球数之间的差异 (goals_per_ranking_dif)

  • 世界杯周期和过去 5 场比赛中排名平均得分之间的差异 (dif_points_rank/dif_points_rank_l5)

  • 表示是否友好的分类变量 (is_friendly) 这样，我们就有了一个数据库，其中包含应用机器学习模型所需的功能。

数据库的一些特性

模型

这里的想法是建立两个模型，一个是Random Forest，另一个是Gradient Boosting，比较一下哪个更好，以便在仿真中使用。这里决定使用基于决策树的模型，因为它们在足球问题上做得更好。此外，由于数据集的大小，不需要使用更复杂的模型。

我们将使用 SkLearn 的GridSearchCV进行参数变化，并将在模拟中使用最佳模型。

from sklearn.ensemble import RandomForestClassifier, GradientBoostingClassifier  
from sklearn.model_selection import train_test_split, GridSearchCV  
  
#separating the target from the features  
X = model_db.iloc[:, 3:]  
y = model_db[["target"]]  
  
#dividing the database  
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size= 0.2, random_state=1)  
gb = GradientBoostingClassifier(random_state=5)  
params = {"learning_rate": [0.01, 0.1, 0.5],  
            "min_samples_split": [5, 10],  
            "min_samples_leaf": [3, 5],  
            "max_depth":[3,5,10],  
            "max_features":["sqrt"],  
            "n_estimators":[100, 200]  
         }   
gb_cv = GridSearchCV(gb, params, cv = 3, n_jobs = -1, verbose = False)  
gb_cv.fit(X_train.values, np.ravel(y_train))  
  
#getting the best model  
gb = gb_cv.best_estimator_

由于执行延迟，为了避免测试很多参数，优先测试具有减少过度拟合的值，例如 learning_rate 不太低和 n_estimators 不太高。

对随机森林做了同样的事情：

params_rf = {"max_depth": [20],  
                "min_samples_split": [5, 10],  
                "max_leaf_nodes": [175, 200],  
                "min_samples_leaf": [5, 10],  
                "n_estimators": [250],  
                 "max_features": ["sqrt"],  
                }  
  
rf = RandomForestClassifier(random_state=1)  
rf_cv = GridSearchCV(rf, params_rf, cv = 3, n_jobs = -1, verbose = False)  
rf_cv.fit(X_train.values, np.ravel(y_train))

我们用混淆矩阵和ROC曲线分析了模型，结果是：

analyze(gb)

梯度提升结果

analyze(rf)

随机森林结果

随机森林模型的性能稍好，但似乎过拟合。分析 Gradient Boosting 的 AUC-ROC，我们看到一个模型具有几乎相同的性能，但过度拟合的风险较低，这就是选择它的原因。

世界杯模拟

现在，我们到了最有趣的部分：看看模型将预测哪支球队赢得世界杯！

首先要做的是获取参加世界杯的球队名单，我们使用Pandas 的read_html方法。该方法从网页中获取数据框，将其放入维基百科世界杯页面。这样，我们将重新创建世界杯表。

该表包含比赛、小组中每支球队的得分以及存储球队赢得每场比赛的概率的列表。如果两支球队在小组中积分相同，这将用作决胜局。

创表前四组及世界杯前十场比赛正如已经解释过的，该模型对主队获胜和客队获胜/平局进行了分类。那么，我们如何预测平局呢？我们为此创建了一个客观规则：知道世界杯的所有比赛都是在中立场地进行的，预测将以两种形式进行：

  • A 队 x B 队（模拟 1）

  • B 队 x A 队（模拟 2）

如果两个预测都是 A 队或 B 队获胜，则将获胜分配给该队。如果一队在第一次预测中获胜，而另一队在第二次预测中获胜，则将被分配平局。季后赛阶段，将计算两次预测的概率，平均概率最高的球队晋级。由于模型将“胜利”分配给客队，即使平局也是如此，因此平局概率在客队的概率范围内。因此，通过这种类型的模拟，两支球队都获得了以平局为优势的模拟。

模拟使用的数据直到球队的最后一场比赛。换句话说，对于巴西来说，特征将计算到对阵突尼斯的比赛，这是巴西最后一场比赛。

现在，我们可以运行一个代码来逐场模拟比赛，计算分数并查看第一阶段发生的情况。

advanced_group = []  
last_group = ""  
  
for k in table.keys():  
    for t in table[k]:  
        t[1] = 0  
        t[2] = []  
          
for teams in matches:  
    draw = False  
    team_1 = find_stats(teams[1])  
    team_2 = find_stats(teams[2])  
  
      
  
    features_g1 = find_features(team_1, team_2)  
    features_g2 = find_features(team_2, team_1)  
  
    probs_g1 = gb.predict_proba([features_g1])  
    probs_g2 = gb.predict_proba([features_g2])  
      
    team_1_prob_g1 = probs_g1[0][0]  
    team_1_prob_g2 = probs_g2[0][1]  
    team_2_prob_g1 = probs_g1[0][1]  
    team_2_prob_g2 = probs_g2[0][0]  
  
    team_1_prob = (probs_g1[0][0] + probs_g2[0][1])/2  
    team_2_prob = (probs_g2[0][0] + probs_g1[0][1])/2  
      
    if ((team_1_prob_g1 > team_2_prob_g1) & (team_2_prob_g2 > team_1_prob_g2)) | ((team_1_prob_g1 < team_2_prob_g1) & (team_2_prob_g2 < team_1_prob_g2)):  
        draw=True  
        for i in table[teams[0]]:  
            if i[0] == teams[1] or i[0] == teams[2]:  
                i[1] += 1  
                  
    elif team_1_prob > team_2_prob:  
        winner = teams[1]  
        winner_proba = team_1_prob  
        for i in table[teams[0]]:  
            if i[0] == teams[1]:  
                i[1] += 3  
                  
    elif team_2_prob > team_1_prob:    
        winner = teams[2]  
        winner_proba = team_2_prob  
        for i in table[teams[0]]:  
            if i[0] == teams[2]:  
                i[1] += 3  
      
    for i in table[teams[0]]: #adding criterio de desempate (probs por jogo)  
            if i[0] == teams[1]:  
                i[2].append(team_1_prob)  
            if i[0] == teams[2]:  
                i[2].append(team_2_prob)  
  
    if last_group != teams[0]:  
        if last_group != "":  
            print("\n")  
            print("Group %s advanced: "%(last_group))  
              
            for i in table[last_group]: #adding crieterio de desempate  
                i[2] = np.mean(i[2])  
              
            final_points = table[last_group]  
            final_table = sorted(final_points, key=itemgetter(1, 2), reverse = True)  
            advanced_group.append([final_table[0][0], final_table[1][0]])  
            for i in final_table:  
                print("%s -------- %d"%(i[0], i[1]))  
        print("\n")  
        print("-"*10+" Starting Analysis for Group %s "%(teams[0])+"-"*10)  
          
          
    if draw == False:  
        print("Group %s - %s vs. %s: Winner %s with %.2f probability"%(teams[0], teams[1], teams[2], winner, winner_proba))  
    else:  
        print("Group %s - %s vs. %s: Draw"%(teams[0], teams[1], teams[2]))  
    last_group =  teams[0]  
  
print("\n")  
print("Group %s advanced: "%(last_group))  
  
for i in table[last_group]: #adding crieterio de desempate  
    i[2] = np.mean(i[2])  
              
final_points = table[last_group]  
final_table = sorted(final_points, key=itemgetter(1, 2), reverse = True)  
advanced_group.append([final_table[0][0], final_table[1][0]])  
for i in final_table:  
    print("%s -------- %d"%(i[0], i[1]))

结果是：

---------- Starting Analysis for Group A ----------  
Group A - Qatar vs. Ecuador: Winner Ecuador with 0.62 probability  
Group A - Senegal vs. Netherlands: Winner Netherlands with 0.62 probability  
Group A - Qatar vs. Senegal: Winner Senegal with 0.60 probability  
Group A - Netherlands vs. Ecuador: Winner Netherlands with 0.73 probability  
Group A - Ecuador vs. Senegal: Draw  
Group A - Netherlands vs. Qatar: Winner Netherlands with 0.78 probability  
  
  
Group A advanced:   
Netherlands -------- 9  
Senegal -------- 4  
Ecuador -------- 4  
Qatar -------- 0  
  
  
---------- Starting Analysis for Group B ----------  
Group B - England vs. Iran: Winner England with 0.62 probability  
Group B - United States vs. Wales: Draw  
Group B - Wales vs. Iran: Draw  
Group B - England vs. United States: Winner England with 0.61 probability  
Group B - Wales vs. England: Winner England with 0.64 probability  
Group B - Iran vs. United States: Winner United States with 0.58 probability  
  
  
Group B advanced:   
England -------- 9  
United States -------- 4  
Wales -------- 2  
Iran -------- 1  
  
  
---------- Starting Analysis for Group C ----------  
Group C - Argentina vs. Saudi Arabia: Winner Argentina with 0.79 probability  
Group C - Mexico vs. Poland: Draw  
Group C - Poland vs. Saudi Arabia: Winner Poland with 0.70 probability  
Group C - Argentina vs. Mexico: Winner Argentina with 0.67 probability  
Group C - Poland vs. Argentina: Winner Argentina with 0.71 probability  
Group C - Saudi Arabia vs. Mexico: Winner Mexico with 0.71 probability  
  
  
Group C advanced:   
Argentina -------- 9  
Poland -------- 4  
Mexico -------- 4  
Saudi Arabia -------- 0  
  
  
---------- Starting Analysis for Group D ----------  
Group D - Denmark vs. Tunisia: Winner Denmark with 0.68 probability  
Group D - France vs. Australia: Winner France with 0.71 probability  
Group D - Tunisia vs. Australia: Draw  
Group D - France vs. Denmark: Draw  
Group D - Australia vs. Denmark: Winner Denmark with 0.71 probability  
Group D - Tunisia vs. France: Winner France with 0.69 probability  
  
  
Group D advanced:   
France -------- 7  
Denmark -------- 7  
Tunisia -------- 1  
Australia -------- 1  
  
  
---------- Starting Analysis for Group E ----------  
Group E - Germany vs. Japan: Winner Germany with 0.62 probability  
Group E - Spain vs. Costa Rica: Winner Spain with 0.76 probability  
Group E - Japan vs. Costa Rica: Winner Japan with 0.63 probability  
Group E - Spain vs. Germany: Draw  
Group E - Japan vs. Spain: Winner Spain with 0.67 probability  
Group E - Costa Rica vs. Germany: Winner Germany with 0.65 probability  
  
  
Group E advanced:   
Spain -------- 7  
Germany -------- 7  
Japan -------- 3  
Costa Rica -------- 0  
  
  
---------- Starting Analysis for Group F ----------  
Group F - Morocco vs. Croatia: Winner Croatia with 0.58 probability  
Group F - Belgium vs. Canada: Winner Belgium with 0.75 probability  
Group F - Belgium vs. Morocco: Winner Belgium with 0.67 probability  
Group F - Croatia vs. Canada: Winner Croatia with 0.64 probability  
Group F - Croatia vs. Belgium: Winner Belgium with 0.64 probability  
Group F - Canada vs. Morocco: Draw  
  
  
Group F advanced:   
Belgium -------- 9  
Croatia -------- 6  
Morocco -------- 1  
Canada -------- 1  
  
  
---------- Starting Analysis for Group G ----------  
Group G - Switzerland vs. Cameroon: Winner Switzerland with 0.69 probability  
Group G - Brazil vs. Serbia: Winner Brazil with 0.72 probability  
Group G - Cameroon vs. Serbia: Winner Serbia with 0.66 probability  
Group G - Brazil vs. Switzerland: Draw  
Group G - Serbia vs. Switzerland: Winner Switzerland with 0.57 probability  
Group G - Cameroon vs. Brazil: Winner Brazil with 0.81 probability  
  
  
Group G advanced:   
Brazil -------- 7  
Switzerland -------- 7  
Serbia -------- 3  
Cameroon -------- 0  
  
  
---------- Starting Analysis for Group H ----------  
Group H - Uruguay vs. South Korea: Winner Uruguay with 0.62 probability  
Group H - Portugal vs. Ghana: Winner Portugal with 0.81 probability  
Group H - South Korea vs. Ghana: Winner South Korea with 0.76 probability  
Group H - Portugal vs. Uruguay: Winner Portugal with 0.60 probability  
Group H - Ghana vs. Uruguay: Winner Uruguay with 0.77 probability  
Group H - South Korea vs. Portugal: Winner Portugal with 0.67 probability  
  
  
Group H advanced:   
Portugal -------- 9  
Uruguay -------- 6  
South Korea -------- 3  
Ghana -------- 0

看到一些结果很有趣，比如巴西和瑞士以及丹麦和法国之间的平局。总的来说，夺冠热门在小组赛阶段就过关了。

在季后赛中，思路是一样的：

advanced = advanced_group  
  
playoffs = {"Round of 16": [], "Quarter-Final": [], "Semi-Final": [], "Final": []}  
  
for p in playoffs.keys():  
    playoffs[p] = []  
  
actual_round = ""  
next_rounds = []  
  
for p in playoffs.keys():  
    if p == "Round of 16":  
        control = []  
        for a in range(0, len(advanced*2), 1):  
            if a < len(advanced):  
                if a % 2 == 0:  
                    control.append((advanced*2)[a][0])  
                else:  
                    control.append((advanced*2)[a][1])  
            else:  
                if a % 2 == 0:  
                    control.append((advanced*2)[a][1])  
                else:  
                    control.append((advanced*2)[a][0])  
  
        playoffs[p] = [[control[c], control[c+1]] for c in range(0, len(control)-1, 1) if c%2 == 0]  
          
        for i in range(0, len(playoffs[p]), 1):  
            game = playoffs[p][i]  
              
            home = game[0]  
            away = game[1]  
            team_1 = find_stats(home)  
            team_2 = find_stats(away)  
  
            features_g1 = find_features(team_1, team_2)  
            features_g2 = find_features(team_2, team_1)  
              
            probs_g1 = gb.predict_proba([features_g1])  
            probs_g2 = gb.predict_proba([features_g2])  
              
            team_1_prob = (probs_g1[0][0] + probs_g2[0][1])/2  
            team_2_prob = (probs_g2[0][0] + probs_g1[0][1])/2  
              
            if actual_round != p:  
                print("-"*10)  
                print("Starting simulation of %s"%(p))  
                print("-"*10)  
                print("\n")  
              
            if team_1_prob < team_2_prob:  
                print("%s vs. %s: %s advances with prob %.2f"%(home, away, away, team_2_prob))  
                next_rounds.append(away)  
            else:  
                print("%s vs. %s: %s advances with prob %.2f"%(home, away, home, team_1_prob))  
                next_rounds.append(home)  
              
            game.append([team_1_prob, team_2_prob])  
            playoffs[p][i] = game  
            actual_round = p  
          
    else:  
        playoffs[p] = [[next_rounds[c], next_rounds[c+1]] for c in range(0, len(next_rounds)-1, 1) if c%2 == 0]  
        next_rounds = []  
        for i in range(0, len(playoffs[p])):  
            game = playoffs[p][i]  
            home = game[0]  
            away = game[1]  
            team_1 = find_stats(home)  
            team_2 = find_stats(away)  
              
            features_g1 = find_features(team_1, team_2)  
            features_g2 = find_features(team_2, team_1)  
              
            probs_g1 = gb.predict_proba([features_g1])  
            probs_g2 = gb.predict_proba([features_g2])  
              
            team_1_prob = (probs_g1[0][0] + probs_g2[0][1])/2  
            team_2_prob = (probs_g2[0][0] + probs_g1[0][1])/2  
              
            if actual_round != p:  
                print("-"*10)  
                print("Starting simulation of %s"%(p))  
                print("-"*10)  
                print("\n")  
              
            if team_1_prob < team_2_prob:  
                print("%s vs. %s: %s advances with prob %.2f"%(home, away, away, team_2_prob))  
                next_rounds.append(away)  
            else:  
                print("%s vs. %s: %s advances with prob %.2f"%(home, away, home, team_1_prob))  
                next_rounds.append(home)  
            game.append([team_1_prob, team_2_prob])  
            playoffs[p][i] = game  
            actual_round = p

为了在此处查看结果，除了文本输出之外，我们决定像在这个 Kaggle 笔记本中那样用淘汰赛图片绘制图表。这是查看这些问题结果的一种非常有趣的方式。

----------  
Starting simulation of Round of 16  
----------  
  
  
Netherlands vs. United States: Netherlands advances with prob 0.54  
Argentina vs. Denmark: Argentina advances with prob 0.59  
Spain vs. Croatia: Spain advances with prob 0.61  
Brazil vs. Uruguay: Brazil advances with prob 0.64  
Senegal vs. England: England advances with prob 0.64  
Poland vs. France: France advances with prob 0.67  
Germany vs. Belgium: Belgium advances with prob 0.53  
Switzerland vs. Portugal: Portugal advances with prob 0.57  
----------  
Starting simulation of Quarter-Final  
----------  
  
  
Netherlands vs. Argentina: Netherlands advances with prob 0.51  
Spain vs. Brazil: Brazil advances with prob 0.54  
England vs. France: England advances with prob 0.51  
Belgium vs. Portugal: Portugal advances with prob 0.52  
----------  
Starting simulation of Semi-Final  
----------  
  
  
Netherlands vs. Brazil: Brazil advances with prob 0.55  
England vs. Portugal: England advances with prob 0.51  
----------  
Starting simulation of Final  
----------  
  
  
Brazil vs. England: Brazil advances with prob 0.56

模拟世界杯！模型预测巴西队获胜，决赛中对阵英格兰队的概率为 56%！最大的冷门可能是比利时击败德国和英格兰进入决赛，在四分之一决赛中淘汰法国。看到一些概率非常小的比赛很有趣，比如荷兰对阿根廷。从四分之一决赛到决赛，没有一支球队晋级的概率超过60%，这说明晋级季后赛的球队大多水平相近。

淘汰赛阶段

结论

根据我们的预测，巴西会夺得冠军。但究竟花落谁家呢？就让我们拭目以待吧！

Python数据开发
关注
  • 4
    点赞
  • 踩
  • 5
    收藏
    觉得还不错? 一键收藏
  • 4
    评论
专栏目录
用机器学习预测谁将夺得2022世界杯冠军（附原代码）
weixin_45788869的博客
09-17 3491
2022 年 FIFA 世界杯即将拉开帷幕，全世界的球迷都热切地想要知道：谁将获得那梦寐以求的大力神杯？如果你不仅是个足球迷，而且也是高科技人员的话，我猜你肯定知道机器学习和人工智能也是目前的流行词。让我们结合两者来预测一下本届俄罗斯 FIFA 世界杯哪个国家将夺冠。2。
AI 预测世界杯比赛结果，惊掉下巴
热门推荐
m0_59596937的博客
11-24 1万+
哈喽，大家好。今天看到Kaggle上有一个预测世界杯比赛结果的项目，截至目前 4 场比赛预测结果全中。今天把源码研究了一下，做了中文注释，给大家分享下。提醒大家，本文只做学习交流使用，不做决策参考，更不要盲目赌球。
用AI预测世界杯谁是冠军（内附测试结果）
脑极体
07-15 513
大家好，估计大家今晚都要看球。为了合情合理地蹭热点，我们决定用人工智能技术来为大家预测一下冠军归属。买球的朋友们请理性选择信与不信。需要说明的是，视频中出现的真的是AI，...
人工智能之梦
图灵教育
08-04 7389
制造出能够像人类一样思考的机器是科学家们最伟大的梦想之一。用智慧的大脑解读智慧必将成为科学发展的终极。而验证这种解读的最有效手段，莫过于再造一个智慧大脑——人工智能（Artificial Intelligence，AI）。
2022卡塔尔世界杯胜负预测（小组赛）
01-09
国际足联世界杯（FIFA World Cup），简称“世界杯”，是由全...2022年12月18日，在2022卡塔尔世界杯足球赛决赛中，阿根廷队与法国队在常规时间和加时赛战成3比3平，通过点球大战，阿根廷队以总比分7比5获胜，夺得冠军。
山东大学2022春人工智能导论试题附答案
07-05
《山东大学2022春人工智能导论试题附答案》主要涵盖了人工智能领域的核心知识点，特别是与隐马尔可夫模型（HMM）相关的理论和应用。以下是对这些知识点的详细阐述： 1. **正向规则**：在人工智能中，正向规则是一种...
学堂云人工智能课后答案
12-29
史上最全的课后答案，学长亲自整理，有了它，祝你如虎添翼
2022年AI人工智能应用介绍PPT完整版.pptx
11-02
2022年AI人工智能应用介绍PPT完整版.pptx
2022年AI人工智能发展及介绍PPT完整版.pptx
11-02
"2022年AI人工智能发展及介绍PPT完整版.pptx" 本资源是关于人工智能发展及介绍的PPT完整版，涵盖了人工智能的发展史、驱动因素、智能时代、技术引领时代变迁、计算机发展史、人工智能的起源等多方面的内容。 人工...
华为od机试真题 — 代表团坐车(Python)
学习,你不是一个人在战斗 ～ 961302305（QQ,微信）
07-17 575
【华为od机试真题 】代表团坐车(Python) 某组织举行会议，来了多个代表团同时到达，接待处只有一辆汽车可以同时接待多个代表团，为了提高车辆利用率，请帮接待员计算可以坐满车的接待方案输出方案数量。
【Python如何将字符串连接在一起并使用`join()`方法】
最新发布
qq_36253366的博客
07-19 177
方法是字符串对象的方法，而不是列表或元组等序列类型的方法。因此，你需要先指定一个用作分隔符的字符串，然后调用这个字符串的。方法将字符串连接在一起，你需要首先确保这些字符串被存储在一个序列类型中（如列表或元组），然后调用这个序列的。方法是一个字符串方法，它用于将序列（如列表、元组等）中的元素以指定的字符连接生成一个新的字符串。列表中的所有字符串元素使用空格作为分隔符连接成一个新的字符串。方法，并将你想要作为分隔符的字符串作为参数传递给。方法，并将包含要连接字符串的序列作为参数传递。
Python每日一题：回文数
xiongxiaoxuan的博客
07-16 274
回文数是指正序（从左向右）和倒序（从右向左）读都是一样的整数。例如，121 是回文，而 123 不是。给你一个整数 x ，如果 x 是一个回文整数，返回 true；否则，返回 false。解释：从左向右读, 为 -121。从右向左读, 为 121-。因此它不是一个回文数。先将整数x转化为字符串形式，判断x和它的反转形态是否完全相等。解释：从右向左读, 为 01。需注意：True和False首字母大写！提示：-231
IPython 日志秘籍：%logstate 命令全解析
2401_85812026的博客
07-17 564
logstate命令是 IPython 日志系统的重要组成部分，它帮助我们掌控日志记录的状态。通过本文的介绍，你应该对如何在 IPython 中使用%logstate查看日志状态有了更深入的理解。记住，合理利用日志系统，可以让你的数据探索过程更加透明和可追溯。本文详细介绍了 IPython 的%logstate命令，包括其基本概念、基本用法、输出解析以及实战示例。希望本文能够帮助读者更好地利用 IPython 的日志系统，优化数据探索和科学计算的工作流。记住，掌握%logstate。
【Python 中的内存管理有哪些优缺点】
qq_36253366的博客
07-19 200
Python中的内存管理是一个复杂而高效的系统，它通过自动化和抽象化的方式极大地简化了程序员的内存管理负担，但同时也存在一些潜在的缺点。
N7翻译实战
tjl521314_21的博客
07-17 302
本周完成项目实战用于训练一个简单的序列到序列（seq2seq）模型以实现英语到法语的翻译。数据预处理、模型构建、训练以及可视化损失的过程。本周学习了构建和训练一个简单的seq2seq模型用于英语到法语的翻译，对前面的知识做了一个综合的运用。
Python中使用三方库SpeechLib实现文本转换语音文件的示例(Win10)
m0_64880493的博客
07-16 181
开始用创建对象的方法CreateObject 分别创建了语音引擎对象与语音文件流对象。调用流对象的Open()方法实现语音流数据写入音频输出文件。
python训练模型报错：BrokenPipeError: [Errno 32] Broken pipe
Dxy1239310216的博客
07-18 277
如果问题持续存在，并且你的项目不是必须在 Windows 上运行，考虑在 Unix/Linux 系统上运行你的代码。确保在数据加载器中使用的任何自定义函数或类都是可序列化的，因为多进程需要能够在不同进程间传递它们。进行多进程数据加载时尤其常见，尤其是在 Windows 系统上，因为 Windows 对多进程的支持与 Unix/Linux 系统有所不同。有时候，错误可能是由其他部分的代码引起的，而不是直接由数据加载器引起。如果问题依然存在，你可能需要更详细地检查你的代码或寻求更专业的帮助。
httpx 的使用
qq_39217312的博客
07-15 810
httpx 是一个可以支持 HTTP/2.0 的库还有一个是： hyper 库这里有一个由HTTP/2.0的网站： https://spa16.scrape.center/使用 requests 库 进行爬取 报错：安装： httpx pip3 install httpx 这样安装并不能支持 HTTP/2.0如果想要支持，需要这样安装：pip3 install httpx[http2]输出：这里访问的HTTP/1.0的网站，并且依次打印除了 ， 响应状态码(status_code),响应头信息(header

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 4
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值