利用大数据分析预测MLB胜负(上)

本文将要介绍由Andrew Y. Cui撰写的《Forecasting Outcomes of Major League Baseball Games Using Machine Learning》，其主要是利用机器学习对MLB(美国职棒)进行赛事胜负预测，在最终结果上获得了61.77%的胜率，但究竟能不能实际运用在运彩当中呢?我们将在介绍完该篇期刊後，为各位实测看看结果!!

以预防读者一次受到太多资讯的冲击，而无法有效吸收，本介绍将分为上、中、下三篇，分别为:

资料的前处理与特徵值的筛选
模型的建构与选择
实测结果
资料的前处理与特徵值的筛选

1.模型预测基准

我们进行模型的预测通常需要一个基准机率，大多在做球类运动的研究者都会先以人们常说的「主队优势」做为参考，也就是球队在主场获胜的机率作为一个基准，本篇作者也做了一样的方式，作者利用2000年到2019年的数据计算每年的「主队获胜机率」究竟为多少，可以发现这19年来主队的胜率最高曾来到56%之多，但近几年的数据可以看到，「主队优势」的机率逐渐下降，约来到只剩下53%左右，但不论56%或是53%，这都将成为模型预测的基准，也就是至少要做出能够高於该胜率的模型，我们才能算是成功。

2.MLB队伍强弱会分明吗?

球队的强弱分明容易影响模型的预测，我们从下方作者做出从2000年到2019年各球队胜场数(每一个蓝点代表一个球队该年的胜场数)来看，球队的强弱分明在近几年有相对明显一点，这很可能跟整个MLB的生态有关，强者都容易聚集在强队上，这也表示我们在预测上或许能够容易一些，但如果运用在运彩上或许就不是那麽的乐观，这部份我们之後的篇章再作解释。

想看更详细的请到下面连结

原文出处：Guess365