Re: [閒聊] 盲砲？巧槍？從數字看四球隊打擊類型

看板Baseball作者 (單身旅記與日光傾城)時間8年前 (2017/09/12 10:08), 8年前編輯推噓4(10推 6噓 23→)
留言39則, 20人參與, 最新討論串4/5 (看更多)
這位同學你好 聽完你的報告小弟有幾個看法 要做分類器。應該要先研究pattern 的特性。 我自己覺得用linear 的分類對棒球特性分類比較不fit 分類器的選擇可以考慮用非線性的方式做 盲不盲其實是一個感覺的形容詞 要做到量化。就變成相對來說閥值的訂立各唱各的調 再加上量化指標只有兩個。我覺得是比較少一點 我比較喜歡用cluster label的方式 設計步驟如下 投票表決這個人屬於那種類別--->多數決之後。選擇代表性的數據做為pattern feature --->挑選分類器進行分類 我前陣子用多層感知器（Multilayer Perceptron,縮寫MLP） 做分群 訓練的樣本是這些人 https://images.plurk.com/5g9IvAaum78R62KBehsp.jpg
得到的結果是 https://drive.google.com/file/d/0Byal-dX83gEMbzV5VWY5bXZNWUk/view 可以參考看看 同時間也有用svm做。效果比較差 之前想要用sony最近出的deep learning console 來做分類 結果效果不是很好，因為我對deep learning 不熟orz 可能還是要回歸到要先去挑模型與feature 要挑比較好 -- ※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 140.96.168.2 ※ 文章網址: https://www.ptt.cc/bbs/Baseball/M.1505182116.A.D20.html
噓
09/12 10:16, , 1F
在炫耀技巧前先學會做簡報 謝謝
09/12 10:16, 1F
噓
09/12 10:19, , 2F
站內信是一個很棒的東西
09/12 10:19, 2F
推
09/12 10:20, , 3F
先推 我覺得前兩樓看不懂急著噓
09/12 10:20, 3F
噓
09/12 10:21, , 4F
錯字讓我看的很痛苦…
09/12 10:21, 4F
→
09/12 10:21, , 5F
能中英都錯也不簡單…
09/12 10:21, 5F
xd 上班偷打的，英文不是很好，我改一下xddddd
→
09/12 10:21, , 6F
這裡只想聽 哪隊打擊最廢 & 哪個教練最不會挑人 END
09/12 10:21, 6F
推
09/12 10:21, , 7F
我覺得還ok，一二樓是？？？
09/12 10:21, 7F
→
09/12 10:23, , 8F
棒球版連線化很久了，不意外
09/12 10:23, 8F
噓
09/12 10:23, , 9F
我會機器學習跟分類原理啊 但是我會想推原po不想推這篇
09/12 10:23, 9F
你好。我們家最近在找人做這塊 有沒有興趣投resume XD
噓
09/12 10:23, , 10F
dick learning
09/12 10:23, 10F
推
09/12 10:24, , 11F
馬克吳做這個做很久惹~上次就發表過,怎麼這次就被噓XD
09/12 10:24, 11F
推
09/12 10:25, , 12F
原來馬克也會出現在棒球板XD
09/12 10:25, 12F
→
09/12 10:25, , 13F
結果你還是啥鬼都分類不出來嗎
09/12 10:25, 13F
deep learning 那一個還沒做出來 努力中
→
09/12 10:27, , 14F
markwu上次就做一個分類表出來了嗎??
09/12 10:27, 14F
→
09/12 10:29, , 15F
真的，上次一堆推，這次看不懂就噓了一堆。
09/12 10:29, 15F
推
09/12 10:29, , 16F
加油
09/12 10:29, 16F
※ 編輯: markwu123 (140.96.168.2), 09/12/2017 10:30:11 ※ 編輯: markwu123 (140.96.168.2), 09/12/2017 10:35:22
噓
09/12 10:38, , 17F
怎麼不說上次是一堆人不懂才推的？
09/12 10:38, 17F
可以指教一下模型的問題嗎？ 我卡關一陣子了
推
09/12 10:41, , 18F
deep learning理論上就是多層MLP, 但數據太少用DL要進行
09/12 10:41, 18F
→
09/12 10:42, , 19F
regularization...
09/12 10:42, 19F
→
09/12 10:43, , 20F
有沒有試過unsupervised learning進行打者分群
09/12 10:43, 20F
→
09/12 10:46, , 21F
有考慮要用 非監督式的方式做。可能會用SOM
09/12 10:46, 21F
→
09/12 10:46, , 22F
不過用的工具沒有SOM。要自己code 要花時間改一下
09/12 10:46, 22F
→
09/12 10:47, , 23F
另外在想要不要先投影到二維空間視覺化觀察樣本特性
09/12 10:47, 23F
※ 編輯: markwu123 (140.96.168.2), 09/12/2017 10:48:30
→
09/12 10:49, , 24F
會推首篇文的人sabermetrics的水平低到讓人發笑
09/12 10:49, 24F
→
09/12 11:01, , 25F
獅迷出現在棒球版很奇怪嗎??
09/12 11:01, 25F
推
09/12 11:09, , 26F
應該說deep learning目前較成熟的模型是採用MLP架構才對 :~
09/12 11:09, 26F
→
09/12 11:11, , 27F
降維的視覺化可以先用最近較紅的t-SNE試試, 但要注意這些
09/12 11:11, 27F
→
09/12 11:14, , 28F
降維視覺化工具的背後理論, 低維距離未必保有高維距離關係
09/12 11:14, 28F
→
09/12 11:15, , 29F
是的。低維資訊失真不一定可以代表。但是就只是觀察
09/12 11:15, 29F
→
09/12 11:16, , 30F
老實說做這種東西找有代表的數據和挑模型就搞死我了ORZ
09/12 11:16, 30F
→
09/12 11:17, , 31F
像t-SNE是保點和點之間的機率, 不保歐氏距離
09/12 11:17, 31F
→
09/12 11:19, , 32F
"找有代表的數據和挑模型" 這是機器學習的宿命.逃不掉的:p
09/12 11:19, 32F
推
09/12 12:13, , 33F
我再看Machine learning 版？
09/12 12:13, 33F
推
09/12 13:41, , 34F
連直接拿守備機會除場數的都能說一個長篇大論了
09/12 13:41, 34F
→
09/12 13:42, , 35F
那篇廢文被推爆不是很正常嗎 XD
09/12 13:42, 35F
→
09/12 13:53, , 36F
這種東西我覺得還可以啦，趣味性居多就是
09/12 13:53, 36F
→
09/12 13:54, , 37F
當然有些人看到有數字有圖表就覺得好像是有意義的分析
09/12 13:54, 37F
→
09/12 13:54, , 38F
當然就.......XD
09/12 13:54, 38F
推
09/12 15:04, , 39F
一二樓真的好嚴格！
09/12 15:04, 39F
‣ 更多 markwu123 的文章
文章代碼(AID): #1Pjq6aqW (Baseball)
討論串 (同標題文章)
完整討論串 (本文為第 4 之 5 篇)：
排序： 最新先 | 最舊先 | 留言數
在新視窗開啟完整討論串 (共5篇)
‣ 更多 markwu123 的文章
文章代碼(AID): #1Pjq6aqW (Baseball)