使用深度学习来预测NBA比赛结果

作者: 佚名 2017-11-23 14:49:51

这篇文章,我们来使用深度学习来预测 NBA 比赛结果。通过本文,我们可以学习到:

  1. 如何爬取 NBA 技术统计数据;
  2. 如何预处理数据;
  3. 如何搭建简单的深度网络模型;
  4. 如何预测比赛结果。

使用深度学习来预测NBA比赛结果

最终我们得到一个预测第二天比赛准确率 100% 的模型。

技术统计数据收集

要用深度学习来预测比赛结果,需要有大量技术统计数据作为学习样本。

来看下官方的技术统计网站:https://stats.nba.com/schedule

使用深度学习来预测NBA比赛结果

打开浏览器的开发者工具,点击每场比赛右边的 BOX SCORE,我们就能看到会请求这样的一个 json 文件:

使用深度学习来预测NBA比赛结果

具体到我们要找的数据统计,是这个 json 里面的 hls (主队数据) 和 vls (客队数据):

使用深度学习来预测NBA比赛结果

url 是这种格式:

https://data.nba.com/data/10s/v2015/json/mobile_teams/nba/2017/scores/gamedetail/0021700228_gamedetail.json

多尝试几次就可以发现规律:

  1. https://data.nba.com/data/10s/v2015/json/mobile_teams/nba/ 这个是固定的;
  2. 2017 是赛季开始年份,比如上赛季则是 2016;
  3. /scores/gamedetail/ 和 ***的 _gamedetail.json 也是固定的;
  4. 0021700228 则是比赛的 id,规律为 002 是规定的,17 则是赛季开始年份的后两位,如上赛季是 16;00228 则是 5 位的数字,从 1 开始,不足补零,比如该赛季***场是 00001,而 00228 就是第 228 场比赛;
  5. 抓到的 url 是 https,其实 http 也是支持的,抓取时比 https 快点。

收集脚本比较简单,就是循环获取,然后存 redis。

使用深度学习来预测NBA比赛结果

对于我们要用来跑训练的数据,需要整理成 主队数据 - 客队数据的方式,并增加一个 win or lose 的 label (篮球比赛没有平局)。

  1. 127.0.0.1:6379> HGET gamedetaildiff 0021700228_gamedetail.json 
  2.  
  3. "{u'ast': 2, 'win': 1.0, u'fbptsa': 6, u'tf': 1, u'bpts': -4, 'away': u'LAC', u'pip': -2, 'home': u'CHA', u'dreb': 4, u'fga': 4, u'tmtov': 0, u'scp': 14, 'date': u'2017-11-19', u'fbptsm': 5, u'tpa': -3, u'fgm': 1, u'stl': 2, u'fbpts': 10, u'ble': 13, u'tov': -6, u'oreb': 1, u'potov': 16, u'fta': 10, u'pipm': -1, u'pf': -6, u'tmreb': -2, u'blk': 3, u'reb': 5, u'pipa': -4, u'ftm': 10, u'tpm': 3}" 

***一共收集了,2015、2016、2017 至 2017-11-19 三个赛季的有效数据共 2699 条。

数据预处理

我们用 Pandas 来做数据处理,非常方便。

先直接从 redis 里读入数据:

  1. import pandas as pd 
  2. import redis 
  3. import ast 
  4.  
  5. cli = redis.Redis() 
  6. data = cli.hgetall("gamedetaildiff"
  7. df = pd.DataFrame([ast.literal_eval(data[k]) for k in data]) 
  8. df = df.fillna(value=0.0)   # 用 0 填补空白数据 
  9. df.head() 

使用深度学习来预测NBA比赛结果

输入数据去掉无关项,整理成训练数据和测试数据:

  1. dataX = df.drop(["win""date""home""away"], axis=1) 
  2. dataY = df["win"
  3. train_x = np.array(dataX)[::2] # train set 
  4. train_y = np.array(dataY)[::2] 
  5. test_x = np.array(dataX)[1::2] # test set 
  6. test_y = np.array(dataY)[1::2] 

处理后的数据维度:

使用深度学习来预测NBA比赛结果

搭建深度网络

这部分其实反而是这篇文章中最简单的部分,因为我们有 Keras:

  1. from keras.models import Sequential 
  2. from keras.layers.core import Dense 
  3.  
  4. model = Sequential() 
  5. model.add(Dense(60, input_dim=train_x.shape[1], activation='relu')) 
  6. model.add(Dense(30, activation='relu')) 
  7. model.add(Dense(1, activation='sigmoid')) 
  8. model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy']) 

最简单的三层全连接层网络。

因为网络的输出维度是 1,所以***一层的激活函数是 sigmoid,损失函数为 binary_crossentropy。

使用深度学习来预测NBA比赛结果

模型训练以及验证

使用深度学习来预测NBA比赛结果

可以看到 10 个 epochs 之后,模型对于训练数据的准确度已经达到了 98.89%

再使用测试数据对该模型进行验证:

使用深度学习来预测NBA比赛结果

训练数据的准确度也达到了 95.40%,说明这个模型还是比较靠谱的。虽然训练花不了几秒钟,但我们还是保存下吧:

  1. model.save("nba-model.hdf5"

新数据的预测

我们有模型可以来预测比赛结果了。现在我们的问题就在于如何模拟对阵双方的技术统计了。

我们用主队上五场主场技术统计均值,和客队上五场客场技术统计均值,两者相减作为模型的预测输入。

先从 redis 获取下完整的数据:

  1. game_detail_data = cli.hgetall("gamedetail"
  2. game_detail_json = [] 
  3. for k in game_detail_data: 
  4.     di_v = {} 
  5.     di_h = {} 
  6.     j = json.loads(game_detail_data[k]) 
  7.     vls = j["g"]["vls"
  8.     hls = j["g"]["hls"
  9.     di_v.update(vls["tstsg"]) 
  10.     di_v.update({"date": j["g"]["gdtutc"], "name": vls["ta"], "home": 0}) 
  11.     game_detail_json.append(di_v) 
  12.     di_h.update(hls["tstsg"]) 
  13.     di_h.update({"date": j["g"]["gdtutc"], "name": hls["ta"], "home": 1}) 
  14.     game_detail_json.append(di_h) 
  15. game_detail_df = pd.DataFrame(game_detail_json) 
  16. game_detail_df = game_detail_df.fillna(value=0.0) 

用 Pandas 可以一行代码实现 找到主队上五场主场数据均值 的功能:

  1. def predict(home=None, away=None): 
  2.     home_data = game_detail_df[(game_detail_df['name']==home) & (game_detail_df['home']==1)].sort_values(by='date', ascending=False)[:5].mean() 
  3.     away_data = game_detail_df[(game_detail_df['name']==away) & (game_detail_df['home']==0)].sort_values(by='date', ascending=False)[:5].mean() 
  4.     home_data = home_data.drop(['home']) 
  5.     away_data = away_data.drop(['home']) 
  6.     new_x = np.array(home_data - away_data) 
  7.     return model.predict_classes(new_x[np.newaxis,:], verbose=0)[0][0] 

预测效果

数据只收集到美国时间 2017-11-19:

使用深度学习来预测NBA比赛结果

我们来看下 2017-11-20 那天的比赛结果:

使用深度学习来预测NBA比赛结果

跑下我们模型的预测结果:

使用深度学习来预测NBA比赛结果

11 场全部正确,amazing !!

深度学习 NBA 数据
上一篇:深入浅出解读卷积神经网络 下一篇:深度学习的异构加速技术(一):AI 需要一个多大的“心脏”?
评论
取消
暂无评论,快去成为第一个评论的人吧

更多资讯推荐

华为全场景 AI 计算框架MindSpore开源!

华为Mindspore AI计算框架正式开源,标志着华为向自己的AI梦想,迈出了新的一步,而深度学习开源领域,又迎来了一位重量级的玩家。

佚名 ·  1天前
2020年深度学习优秀GPU一览,看看哪一款最适合你!

如果你准备进入深度学习,什么样的GPU才是最合适的呢?下面列出了一些适合进行深度学习模型训练的GPU,并将它们进行了横向比较,一起来看看吧!

大数据文摘 ·  1天前
腾讯和清华发表新基建领域最新成果:数据中心电池设备AI诊断服务

近日,腾讯数据中心与清华大学自动化系智网中心团队的贾庆山老师合作论文被第21届IFAC国际自动控制世界大会录取。

佚名 ·  3天前
宫崎骏动画里的新垣结衣见过没?这个开源动漫生成器让你的照片秒变手绘日漫

随手拍张照片,顺势转换为宫崎骏、新海诚等日漫大师的手绘风格作品,这个专门生成动漫图像的 GAN,实测很好用。

肖清、思 ·  4天前
DeepCode 为 C/C ++ 添加基于 AI 的静态代码分析支持

人工智能代码审查平台 DeepCode 方面宣布,将为 C 和 C ++ 添加基于 AI 的静态代码分析支持。

白开水不加糖 ·  2020-03-25 10:25:03
每秒处理240万帧游戏画面,AI训练成本降低80%,谷歌开源RL并行计算框架

最近,不差钱的谷歌,开源了一种SEED RL框架,可以更容易地将AI训练放在几千台机器上运行,效果比之前的方法最高提升近4倍。

晓查 ·  2020-03-24 15:08:07
仅用CPU就能跑到1000FPS,这是开源的C++跨平台人脸检测项目

人脸检测可广泛应用于人机交互、安防监控、社交娱乐等领域,具有很强的实用价值,因此受到广泛关注与研究。

佚名 ·  2020-03-23 13:45:44
这个B站up主太硬核!纯手工打造AI小电视:硬件自己焊代码全手写

一个低调的AI开发者,凭什么登上B站首页、一个视频百万播放,并且外行内行看了都服气?

晓查 ·  2020-03-23 10:43:46
Copyright©2005-2020 51CTO.COM 版权所有 未经许可 请勿转载