Bir yakar top takımının oyuncularının kazanma geçmişine göre kazanma olasılığını nasıl tahmin edebilirim?


13

Dünyada 80 yakar top oyuncusu olduğunu düşünün. Her biri diğer 79 oyuncu ile binlerce dodgeball oyununu az çok rastgele sırada oynadı. Bu, takımları olmayan bir dünyadır (örneğin, her oyuncunun her oyunda her iki takıma da hazırlık şansı vardır). Her oyuncunun bir önceki kazanma oranını biliyorum (örneğin, bir önceki tüm oyunların% 46'sını kazandı, bir diğeri önceki tüm oyunlarının% 56'sını kazandı). Diyelim ki bir maç geliyor ve her takımda kimin oynadığını biliyorum. Önceki kazanma oranlarını da biliyorum.

Her takımın kazanma olasılığını takımın yapısına göre hesaplamanın en iyi yolu nedir?

Nispeten gelişmiş hesaplama gerektiriyorsa (örneğin, lojistik regresyon) bazı özellikleri bana bildirin. SPSS'ye oldukça aşinayım, ancak takip sorusu sormam gerekmiyor.

Dahası, arşiv verilerini kullanarak yöntemimin doğruluğunu nasıl keşfedebilirim? Çoğu oyuncu% 40-60 civarında durduğu için net bir kesim olmayacağını biliyorum, ama yine de.

Daha açık olmak gerekirse, A takımının kazanma ihtimali nedir?

A - daha önce kazanma oranı% 52,% 54,% 56,% 58,% 60 olan bireylerden oluşuyordu B - daha önce kazanma oranı% 48,% 55,% 56,% 58,% 60 olan bireylerden oluşuyordu

(bu sadece açıklama amaçlı rastgele bir örnektir. Oldukça iyi iki takım.)

Düzenleme: Çok basit bir algoritma ile başlamak ve sonra nasıl çalıştığını görmek için bir yolu var mı? Belki de her takımın yüzdelerini toplayabilir ve en yüksek yüzdeye sahip olanın kazanacağını tahmin edebiliriz. Tabii ki sınıflandırmamız doğru olmayacaktı, ancak binlerce arşivlenmiş oyunun şanstan daha iyi tahmin edilip edilemeyeceğini görebiliyorduk.



Sadece ortalamaların basit bir bölümü değil mi? AvgTeam1WinP/ AvgTeam2WinP? team1Karşı çıkacak oranları vermelidir team2.
PascalVKooten

Yanıtlar:


2

Saf Bayes için bir iş gibi geliyor . Arkasındaki teoriyi tam olarak anlamıyorum, bu yüzden ne yazık ki size bir örnek veremem ama Bayes, çıkarım yapmak için bilinen (arşiv) verilerle çalışıyor.

Bence Bayes sadece SPSS İstatistik Sunucusunda mevcut, bu yüzden bunlardan birine erişiminiz varsa şanslısınız. Alternatif olarak , bir grup başka sınıflandırıcı da içeren Weka'yı kullanabilirsiniz , bu yüzden denemenizi gerçekleştirebilir ve sonuçları bize bildirebilirsiniz?

EDIT: Bayes ve ilgili sınıflandırıcılar ayrıca oyuncuların kendilerinden çıkarımlar yapabilir, örn. puanı% 65'dir, ancak ve karşılıklı takımlarda oynadığında performansı% 5 düşer.A B AAABA


Yorumunuz ve düzenlemeniz için teşekkür ederiz. Bayesian veya makine öğrenimi yaklaşımının en iyisi olabileceğini düşündüm. Ne yazık ki bu yaklaşımlara nispeten aşina değilim.
Mart'ta Behacad


0

Sadece ortalamaların basit bir bölümü değil mi? AvgTeam1WinP/ AvgTeam2WinP? team1Karşı çıkacak oranları vermelidir team2.

Aşağıdakileri dikkate alırsam:

Eğer player1karşı oynayacağı player2"1 kişilik" takım halinde, takdir edersiniz Player2 karşı kazanacak player1 player1 sahası sadece ambarların player2 (rastgele bu kazanacağını olasılık bölü rastgele karşı kazanmak olacağını olasılık olacağı oran olduğunu % kazancının asimptotik sınırlarında olduğu gibi doğru olduğunu düşündüğünüzde), basitçe:

OddsP1VsP2 = WinProbabilityP1 / WinProbabilityP2 

Bazı oyuncuların korkunç olmasının etkileşim etkisi olmadığını ve bu nedenle skoru beklenenden daha olumsuz etkilediğini iddia ederseniz * veya bazı oyuncular skoru beklenenden daha olumlu etkilemektedir **, o zaman mantıklı görünebilirsiniz her takımdaki her bir oyuncu için ortalama olasılığı almanız yeterlidir.

*% 60,% 60,% 60,% 60'lık kombinasyon,% 70,% 70,% 70,% 30 gibi bir takımdan daha iyi kabul edilirse, kötü bir oyuncunun takım için daha kötü oranlara neden olacağı ortalamalar aynıdır. Ek hipotezler olmadan, bu özel sorunun ele alınması mümkün değildir.

** Benzer şekilde, 50,50,50,90'ın 60,60,60,60'a eşit olmadığı düşünülürse aynı şey geçerlidir.

Sitemizi kullandığınızda şunları okuyup anladığınızı kabul etmiş olursunuz: Çerez Politikası ve Gizlilik Politikası.
Licensed under cc by-sa 3.0 with attribution required.