标签：进一步 形式 学习 分包 比赛结果 小伙伴 部分 过程 .com
有些事情受万众瞩目，它不是说受某一个行业，某一类人，而是全人类。6月份就有一件大事，那就是“世界杯”！
有些热爱足球的小伙伴肯定关心的是比赛的过程、结果，自己喜欢的足球运动员是否能在比赛场上，驰聘风云，大展雄风。然而我们却都知道除此以外，还有些光明正大的足球菠菜存在，对于有些资深的玩家，甚至说给我一百块，我就可以买房。。。（文末三段话，必看！）
你以为你是Python程序员吗？你有科学的依据证明到底谁能胜场，比赛结果是几比几吗？你只能靠经验，比一般人强一点。就跟我听到的一个笑话一样：“世界杯论翻数有1000翻，如果你有三块钱，你买了世界杯，那么你三块钱就没了！”
有数据才可信，Python人工智能预测一波“世界杯”比赛结果。
原理：
第一步：对两个数据集深度分析
第二步：做特征工程用来选择最相关的特征进行预测
第三步：数据处理，选择一个机器学习模型
第四步：把它部署到数据集上
葡萄牙：
C罗，战神一般的存在。速度、意识，技巧等方面都是顶尖的存在，更加值得尊敬的是年纪这么大却仍然保持一颗不服输的心。葡萄牙队的其它队员也是极强的，对于球机的把握，对于配合方面也是顶尖的，毕竟贵为新科欧洲杯冠军！
西班牙：
经历过失败后，即使走掉了许多优秀的球员，也能够苦思失败的原因，艰难的重组战队，由此看出他们也是不好惹的存在，精神与意志力坚不可摧。各年轻的战队队员呈现崛起之势，成为了“预选赛之王”，谁与争锋？
载入数据集
深度分析
深度分析与特征工程：最费时间的是分析出哪些特征和机器学习模型相关。把目标的差异与结果列添加到结果数据集里面，详细的Python源代码如下：
处理一部分包括仅有尼日利亚参加比赛的数据。有利于我们知道那些国家球队的特色，然后拓展到参加世界杯的其它国家。具体代码如下：
创建一个年份的列表，选择自从1930年创办“世界杯”之后的所有比赛，Python代码如下：
和所有参加比赛的战队合并成一个数据框，代码：
过滤一下结果数据框，显示从1930年起仅在2018年世界杯上的战队，删除无用元素。
Python实现代码：
逻辑回归算法：估计概率，测量分类因变量与一个或多个自变量之间的关系，就是累计物流配送。
建立学习模型：学习怎么用每种数据的形式对游戏结果产生积极，消极等影响游戏结果的程度。给它真实准确的数据，填入其中，你就拥有一个预测以后结果的模型。
将最终数据框传递给逻辑回归算法，Python实现代码：
这样的模型在训练集上的准确率为仅有60%左右的准确率，这肯定不符合我们的要求，我们要进一步训练模型，创建一个数据框，部署我们的模型。
将模型部署到数据集，从把模型部署到小组比赛开始进行比较。代码和结果如下：
【小组赛预测的结果】
时间2：00
小组： 西班牙 、葡萄牙
预测的胜利小组：西班牙
时间18：00
小组： 法国、澳大利亚
预测的胜利小组：法国
时间21：00
小组：冰岛、阿根延
预测的胜利小组： 阿根廷
赛事时间如下图所示：
其实线性回归，我们在高中的数学教材中就学到过，还记得吗？在坐标中，密密麻麻的一些点，让你去寻找它们最相关的一个表达式？所有的点，最接近的哪条线，让你列出表达式，所以Python算法也没想象中的那么难，关键在于你的联想，以及你曾经的知识储备。
既然是最接近那条线，所以只能说预测的结果正确的概率会大一点。那么，你们都懂了，何为预测？表示结果还是不确定的嘛！
利用Python演算世界杯比赛结果，程序员气的拍桌子，后悔晚了！
标签：进一步 形式 学习 分包 比赛结果 小伙伴 部分 过程 .com
原文地址：https://www.cnblogs.com/tzjks/p/9200535.html
