Depende Siempre depende de tus datos.
Para el aprendizaje profundo necesitas muchos ejemplos de entrenamiento. De lo contrario, no aprenderán ni se desempeñarán peor que los algos tradicionales de ML. Una vez leí un trabajo de investigación de predicción de un partido de cricket donde el algoritmo KNN simple superó a una red neuronal de retroalimentación. En una nota separada, escuché que Microsoft está tratando de implementar plataformas de aprendizaje profundo para el análisis deportivo. Por lo tanto, es posible que en un futuro cercano también veamos el innegable poder del aprendizaje profundo en los deportes.
Desde mi experiencia personal, diría que intente usar algunos algoritmos de ML muy simples como logit, SVM, KNN para predecir deportes. Como los deportes tienen tantas características y menos cantidad de ejemplos de entrenamiento, es mejor mantener el modelo simple porque los datos de la vida real son demasiado aleatorios, escasos y desordenados. Los modelos simples ayudan a construir robustez mientras se manejan tantos datos desordenados (datos numéricos / categóricos).
- ¿Cómo responden las redes neuronales profundas para la clasificación de imágenes a las variaciones típicas de la imagen, como la iluminación, la distancia focal, etc.?
- ¿Por qué la búsqueda de imágenes de Google es tan rápida?
- ¿Qué es un "conjunto típico" en la estimación de densidad de probabilidad para la inferencia bayesiana?
- ¿Qué necesitan saber los desarrolladores de aplicaciones sobre Siri para interactuar con él?
- Cómo implementar SVM yo mismo
Hay tantos documentos sobre este tema. Busca y léelos. Aprenderá más cuando comience a probar diferentes cosas en sus conjuntos de datos. Utilice métodos tradicionales (validación cruzada / análisis de PCA) de la ciencia de datos para discernir diferentes situaciones.
Además, puede intentar diseñar algunas redes profundas para predecir los resultados, ya que es como otros problemas convencionales de clasificación binaria ML (W / L).
Espero que esto ayude. ¡La mejor de las suertes!
