奥林匹克历史数据分析与金牌预测（下）

上面做了数据基础分析，其实用SQL语句也都能很好实现，现在我们要去实现一下SQL做不了的事情，去预测一下中国在下届奥运会的奖牌情况。

 

同样先是基础数据处理，找到我们认为和最后能夺得奖牌相关的数据，先根据经验去除相关没用的字段，这里我保留了Age，Height，Weight，TEAM，Games, Year, Event,和Medal字段，我们用这些属性字段预测奖牌的情况，这样可以合理的选择最合适的年龄，身高，体重的选手参加比赛。

 

 

athlete_data = athlete[athlete.Season=="Summer"]          athlete_data = athlete_data[["Age","Height","Weight","Team","Year","Sport","Medal"]]          print (athlete_data.head(5))

 

处理数据后打印出来，你会发现很多数据是不全的，这样大量NaN在训练时会导致无法收敛，程序在处理时选择用平均值去填充。

 

这里我们要预测的能获得金牌概率，当然你还可以改为获得奖牌的概率，但在训练时需要将数据转换为机器可以读懂的格式，这里我们采用One-Hot格式

 

athlete_data['Gold'] = pd.get_dummies(athlete_data.Medal == 'Gold',drop_first=True)

 

这里还要将剩下的字符串字段进行处理，我们使用LabelEncoder

#对不连续数据进行编码，将国家这种字符型字段转换为数字格式          le = preprocessing.LabelEncoder()          athlete_data.Team = le.fit_transform(athlete_data.Team)          athlete_data.Sport = le.fit_transform(athlete_data.Sport)

 

处理后的数据变为，可以看到除了Medal字段其它都以整理完毕。

 

分割训练集与数据集

 

x = athlete_data[["Age","Height","Weight","Team","Year","Sport"]]          y = athlete_data["Gold"]            x_train, x_test, y_train, y_test = train_test_split(x,y, random_state=101, test_size=0.30)

 

训练时我采用的是大名鼎鼎的XGBoost方法，该方法的好处是简单准确，在分类问题上采用提升树的方式，通过打分投票决定出最优结果

 

x_train, x_test, y_train, y_test = train_test_split(x,y, random_state=101, test_size=0.30)          eval_set = [(x_test,y_test)]          #这里只论是否获得金牌，所以是个二分类问题          model = XGBClassifier()          model.fit(x_train, y_train, early_stopping_rounds=10, eval_metric="logloss", eval_set=eval_set, verbose=True)          y_pred = model.predict(x_test)          predictions = [round(value) for value in y_pred]          accuracy = accuracy_score(y_test, predictions)          print("Accuracy: %.2f%%" % (accuracy * 100.0))

 

 

最终输出：94.93%，这个结果也真是厉害，毕竟我们没有调整任何参数，这里再把哪些属性是最终奖牌影响的权重列出来，可以看出还是哪个国家最重要，而体重不是那么重要，还可以去调整一下参数比如Max_depth=10,准确率能上升到95%，但这么多参数如何才能得到最佳参数能，这里引入交叉验证，去打印出最好的参数值，这里用到是学习率和深度。

 

 

learning_rate = [0.0001, 0.001, 0.01, 0.1, 0.2, 0.3]          max_depth = [4,5,6,8,10]          param_grid = dict(learning_rate=learning_rate,max_depth = max_depth)            kfold = StratifiedKFold(n_splits=10, shuffle=True, random_state=7)          grid_search = GridSearchCV(model,param_grid,scoring="neg_log_loss")          grid_result = grid_search.fit(x_train, y_train)          print("Best: %f using %s" % (grid_result.best_score_, grid_result.best_params_))

 

输出：

Best: -0.138945 using {'max_depth': 10, 'learning_rate': 0.2}

 

 

再次根据最优参数再执行一次：

得到最有准确率95.72%和最佳属性权重比