第7楼是我的了,预测世界杯冠军吧

Boccob 2006-06-07 12:50:40
我觉得应该是阿根廷
...全文
184 17 打赏 收藏 转发到动态 举报
写回复
用AI写文章
17 条回复
切换为时间正序
请发表友善的回复…
发表回复
Boccob 2006-09-01
  • 打赏
  • 举报
 回复
没一个猜对的.
talkno 2006-06-15
  • 打赏
  • 举报
 回复
捷克哦
shootarrow 2006-06-15
  • 打赏
  • 举报
 回复
4强：巴西，英格兰，德国，荷兰
冠军：巴西
wangbab 2006-06-15
  • 打赏
  • 举报
 回复
德国或者阿根廷
Gdlian 2006-06-14
  • 打赏
  • 举报
 回复
德国
hatita 2006-06-14
  • 打赏
  • 举报
 回复
本来认为是英格兰，现在改荷兰了！既然小组赛没黑马，注定有队伍要创造奇迹！
ronaldoj 2006-06-14
  • 打赏
  • 举报
 回复
Argentina
Argentina
Argentina
dekkerhyp411 2006-06-14
  • 打赏
  • 举报
 回复
德国..顺便抢你手里的一分儿~~~
westwin 2006-06-14
  • 打赏
  • 举报
 回复
巴西,或英格兰

yuanchuang 2006-06-13
  • 打赏
  • 举报
 回复
欢迎巴西球迷到：
http://community.csdn.net/Expert/topic/4814/4814880.xml?temp=.3803675
jdzwq 2006-06-13
  • 打赏
  • 举报
 回复
支持阿根廷夺冠
码视野 2006-06-13
  • 打赏
  • 举报
 回复
巴西
lxf31 2006-06-07
  • 打赏
  • 举报
 回复
o
joygxd 2006-06-07
  • 打赏
  • 举报
 回复
巴西,绝对冠军!
sdts 2006-06-07
  • 打赏
  • 举报
 回复
没法预测 喜欢英格兰
老道_ 2006-06-07
  • 打赏
  • 举报
 回复
Brazil
goodoycg 2006-06-07
  • 打赏
  • 举报
 回复
巴西,绝对冠军!
初识人工智能--决策树算法.pdf
初识⼈⼯智能--决策树算法 机器学习中分类和预测算法的评估： * 准确率 * 速度 * 强壮⾏ * 可规模性 * 可解释性 1. 什么是决策树/判定树（decision tree)? 判定树是⼀个类似于流程图的树结构：其中，每个内部结点表⽰在⼀个属性上的测试，每个分⽀代表⼀个属性输出，⽽每个树叶结点代表类 或类分布。树的最顶层是根结点。 2. 机器学习中分类⽅法中的算法 朴素贝叶斯(Naive Bayes, NB) Logistic回归(Logistic Regression, LR) 决策树（Decision Tree, DT) –>本⽂主要讲述决策树 ⽀持向量机（Support Vector Machine, SVM） 3. 构造决策树的基本算法 分⽀ 根结点 结点 树叶 3.1 熵（entropy）概念： 信息和抽象，如何度量？ 1948年，⾹农提出了 "信息熵(entropy)"的概念 ⼀条信息的信息量⼤⼩和它的不确定性有直接的关系，要搞清楚⼀件⾮常⾮常不确定的事情，或者是我们⼀⽆所知的事情，需要了解⼤量信 息==>信息量的度量就等于不确定性的多少例⼦：猜世界杯冠军，假如⼀⽆所知，猜多少次？ 每个队夺冠的⼏率不是相等的 ⽐特(bit)来衡量信息的多少 变量的不确定性越⼤，熵也就越⼤ 3.1 决策树归纳算法 （ID3） 1970-1980， J.Ross. Quinlan, ID3算法 选择属性判断结点 信息获取量(Information Gain)：Gain(A) = Info(D) - Infor_A(D) 通过A来作为节点分类获取了多少信息 计算过程：先单独计算Info(D),以⽬标函数为计算基点，总实例数为14，其中no的实例数为5，yes的实例数为9.通过信息熵公式计算，可 得： 再计算包含age属性时的Info_age_(D),其中age可以划分为三个阶段：youth：占实例总数的5/14，middle_aged占4/14，senior占 5/14，继续通过信息熵公式计算，得到Info_age_(D),再通过信息获得量公式计算出最后的结果。 类似，Gain(income) = 0.029, Gain(student) = 0.151, Gain(credit_rating)=0.048 所以，选择age作为第⼀个根节点（取⼤的） 划分好跟节点后，排除已经称为节点的属性，继续通过该⽅法，可以继续划分结点。若出现划分好的表格中的⽬标函数为同⼀类时（eg： yes），便不需要继续划分。 重复以上步骤。。。 算法： * 树以代表训练样本的单个结点开始（步骤1）。 * 如果样本都在同⼀个类，则该结点成为树叶，并⽤该类标号（步骤2 和3）。 * 否则，算法使⽤称为信息增益的基于熵的度量作为启发信息，选择能够最好地将样本分类的属性（步骤6）。该属性成为该结点的"测试"或"判定"属性（步骤7 ）。在算法的该版本中， * 所有的属性都是分类的，即离散值。连续属性必须离散化。 * 对测试属性的每个已知的值，创建⼀个分枝，并据此划分样本（步骤8-10）。 * 算法使⽤同样的过程，递归地形成每个划分上的样本判定树。⼀旦⼀个属性出现在⼀个结点上，就不必该结点的任何后代上考虑它（步骤13）。 * 递归划分步骤仅当下列条件之⼀成⽴停⽌： * (a) 给定结点的所有样本属于同⼀类（步骤2 和3）。 * (b) 没有剩余属性可以⽤来进⼀步划分样本（步骤4）。在此情况下，使⽤多数表决（步骤5）。 * 这涉及将给定的结点转换成树叶，并⽤样本中的多数所在的类标记它。替换地，可以存放结 * 点样本的类分布。 * (c) 分枝 * test_attribute = a i 没有样本（步骤11）。在这种情况下，以 samples 中的多数类 * 创建⼀个树叶（步骤12） 3.1 其他算法： C4.5(Quinlan):它能够处理连续型属性或离散型属性的数据；能够处理具有缺失值的属性数据；使⽤信息增益率⽽不是信息增益作为决策树 的属性选择标准；对⽣成枝剪枝，降低过拟合。 如下为决策树算法框架： C4.5中⽤到的⼏个公式： <1> 训练集的信息熵 其中 m代表分类数，pi为数据集中每个类别所占样本总数的⽐例。 <2> 划分信息熵—-假设选择属性A划分数据集S，计算属性A对集合S的划分信息熵值 case 1：A为离散类型，有k个不同取值，根据属性的k个不同取值将S划分为k各⼦集{s1 s2 …sk}，则属性A划分S的划分信息熵为：(其中 "Si" "S" 表⽰包含的样本个数) case 2: A为连续型数据，则按属性A的取值递增排序，将每对相邻值的中点看作可能的分裂点，对每个可能的分裂点，计算： 其中，SL和SR分别对应于该分裂点划分的左右两部分⼦集，选择En
2022世界杯冠军预测，机器学习为你揭晓
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！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。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...
【文末送书】2022世界杯冠军预测，机器学习为你揭晓
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！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。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...
提前预测世界杯冠军
0.前言 又一年的世界杯要开始了，不可避免的，我们要对比赛的结果进行预（jing）测（cai），那么如何科（yi）学（ben）严（zheng）谨（jing）的进行呢？ 首先我们来看一下比赛规则 1.比赛规则 1.1小组赛阶段 32支参赛队通过抽签分为八个小组,每个小组分别有四支球队进行比赛，每支球队都必须和其他三支球队进行且只进行一场比赛,每组4个队循环比赛，共打6场，每...
基于paddle的2022世界杯冠军预测
AI达人训练营第二期项目，基于Paddle框架搭建神经网络预测2022世界杯冠军
community_281

590

社区成员

254,055

社区内容

发帖
与我相关
我的任务
社区描述
提出问题
其他 技术论坛（原bbs）
社区管理员
  • community_281
加入社区
  • 近7日
  • 近30日
  • 至今

加载中

查看更多榜单
社区公告
暂无公告

试试用AI创作助手写篇文章吧

+ 用AI写文章