文件名称：NBA_Shot_Prediction
文件大小：18.33MB
文件格式：ZIP
更新时间：2024-04-16 21:13:11
JupyterNotebook
NBA射门预测-最大限度提高篮球比赛的获胜机会 项目概况 我们的目标是根据拍摄后进行的数据分析以及考虑到拍摄情况的情况，建立玩家是否得分的射击预测模型，以帮助所有利益相关者开发更有效的游戏策略。 在构建模型时，我们的数据挖掘目标是找到具有最高准确性和F1分数的最佳模型。 对利益相关者的影响和潜在利益 数据理解与准备 在解释如何准备原始数据集之前，我们将首先对其进行解释。 之后，我们将使用探索性数据可视化（EDA）方法探索新的混合数据集。 原始Kaggle数据集 该数据集是公共的Kaggle数据集，记录了NBA 2014-2015赛季期间尝试的所有投篮。 数据由名为“ DanB”的Kaggle数据科学家上传，他从NBA的REST API中获取了原始数据。 目标变量是“射击结果”，无论玩家是进行射击（“制造”）还是错过射击（“缺失”）。 预测变量包括“ Game_ID”，“ Matchup”，
【文件预览】：
NBA_Shot_Prediction-master
----Group_4_Project_Report.pdf(1.4MB)
----feature_selector.zip(18KB)
----shot_logs(original3).csv(10.29MB)
----images()
--------plot2.png(50KB)
--------table2.png(60KB)
--------cor2.png(97KB)
--------table5.png(38KB)
--------屏幕快照 2018-12-06 下午3.10.52.png(47KB)
--------result1.png(95KB)
--------table6.png(44KB)
--------plot1.png(24KB)
--------feature1.png(70KB)
--------屏幕快照 2018-12-05 下午11.09.20.png(90KB)
--------table3.png(20KB)
--------cor1.png(186KB)
--------gb1.png(77KB)
--------屏幕快照 2018-12-05 下午11.04.19.png(274KB)
--------table1.png(63KB)
--------rfe.png(8KB)
--------plot3.png(29KB)
--------feature2.png(71KB)
--------table4.png(35KB)
--------result2.png(99KB)
----Group_4_Code_2 .ipynb(376KB)
----414Final Project()
--------屏幕快照 2018-11-28 下午5.47.11.png(135KB)
--------屏幕快照 2018-11-29 下午2.22.42.png(42KB)
--------屏幕快照 2018-11-29 下午3.47.17.png(51KB)
--------屏幕快照 2018-11-28 下午1.55.00.png(68KB)
--------屏幕快照 2018-11-28 下午7.39.51.png(41KB)
--------屏幕快照 2018-11-28 上午11.01.43.png(70KB)
--------屏幕快照 2018-11-28 下午4.53.11.png(72KB)
--------屏幕快照 2018-11-28 下午5.46.55.png(55KB)
--------屏幕快照 2018-11-28 下午5.47.21.png(104KB)
--------屏幕快照 2018-11-28 下午5.46.36.png(128KB)
----shot_logs(original).csv(28.2MB)
----README.md(18KB)
----Group_4_Slices .pptx(8.17MB)
----feature_selector()
--------feature_selector.py(28KB)
--------__init__.py(46B)
--------__pycache__()
----Cola_Feature selection.ipynb(235KB)
----Group_4_Code_1 .ipynb(706KB)
----tensorflow_1-Copy1.ipynb(36KB)