Estimate_J1

実装環境

Python 2.7.6

依存環境

• ipython (2.1.0)
• chainer (1.5.0.2)
• matplotlib (1.3.1)
• numpy (1.10.1)
• pandas (0.16.2)
• scikit-learn (0.16.1)
• scipy (0.16.0)

Contents

EstimationMethod.pdfにおいて，図付きで紹介

1. 用いた手法（アルゴリズム，その手法を用いた理由等）
   • アルゴリズム : ディープラーニング
     input[392] → MLP[50,50]→ 192 → VAE[20,20] → output[2]
     • MLP - 事前学習として，ラベルの実際の試合のデータに近づける
     • VAE - 事前学習として，潜在変数を活用したAutoEncoder
   • 理由 : ディープラーニングの勉強のため
2. 使用した変数（出力可能なアルゴリズムであれば変数重要度も）
   • CBPファイル
     1. 出場・実出場時間・シュートCBP・パスCBP・クロスCBP・ドリブルCBP・攻撃CBP・守備CBPの8次元を利用
     2. スタメンのフォーメーションを 5 * 4 のグリッドに配置し，2 * 2 のsumプーリングを行うことで4 * 3 に変形
     3. aとbの作業を各試合毎に作成(各試合各チーム，96次元)
        チーム平均
        各シーズン，チーム毎に96次元の平均値を作成
        同年の別試合
        1stの試合を予想する場合は，2ndの試合．2ndの試合を予想する場合は，1stの同チーム同士の試合のデータ準備
   • Scorerファイル
     1. 各試合のチーム毎に，シュート・PK・FK・オウンゴールの4次元をカウント(計8次元)
     2. 同年の別試合のデータを準備
        以上の各試合計392次元のデータを利用
3. 使用したデータ（全期間用いた，直近〇〇節のみ用いた等）
   • 2015年2ndシーズンのラスト2節で行われたチーム同士が2015年1stシーズンで戦った試合を除く全試合(試合)．
   • データ拡張のために，cbpデータを右サイドと左サイド入れ替えたデータを作成しデータ数を2倍とした．(計試合)