Aunque las técnicas estadísticas estándar son probablemente una opción mucho mejor para esto, no hay razón para que no pueda construir una red predictiva de ML para este propósito. Una red de ML supervisada estándar debería funcionar para esto, pero no superaría el modelo estadístico.
ML puede encontrar conexiones en datos que son difíciles de ver sin una gran cantidad de estudio. Creo que un enfoque mucho mejor sería construir una red que predeciría la precisión de cualquier jugador basándose en la información aprendida de muchos otros jugadores.
Si las entradas incluían información sobre los jugadores, como edad, equipo, estadio, hora del día, lugar de nacimiento, etc., la red podría encontrar relaciones que usted no ve. Por ejemplo, supongamos que en un estadio determinado hay un momento en que la luz es la adecuada para que el bateador tenga las mejores condiciones para la visión. Esto impulsaría a cualquier bateador en ese momento. O tal vez, una pequeña aldea en algún lugar produce bateadores que son superiores frente a ciertos tipos de huelguistas que se desempeñan bien frente a jugadores de bolos que son zurdos. En ese caso, un bateador que sea de esa aldea estaría bien contra cualquier jugador de bolos zurdo. Este es el tipo de cosas que ML puede encontrar.
- ¿Qué sucederá cuando una computadora no tenga registros?
- ¿Existe una opción (no software) para proteger con contraseña una carpeta en Windows 7?
- ¿Es la ciencia o la ingeniería?
- ¿Cuáles son las diversas primitivas de bloqueo disponibles en el kernel de Linux?
- ¿Cuál es la mejor práctica para las secuencias de comandos del lado del servidor?
Para este sistema, necesitaría ingresar datos como la hora del día, información del jugador de bolos, un número que representa al bateador (identificación del jugador), un número que representa al jugador de bolos (identificación del jugador), identificación del estadio, información del bateador (mano izquierda, nacimiento origen, etc.) e información del jugador de bolos (el mismo), etc. Luego, después del entrenamiento, podría ingresar la misma entrada durante un juego, hora actual, identificación actual del bateador, identificación actual del jugador de bolos, identificación del estadio, etc. y podría hacer Una predicción del resultado basada en entrenamiento previo.