Reorganización de las conferencias de fútbol universitario – Regresión

Reorganización conferencias fútbol universitario - Regresión

Bienvenido a la parte 2 de mi serie sobre la reorganización de conferencias. El verano pasado, cuando la reorganización de conferencias estaba en pleno apogeo, Tony Altimore publicó un estudio en Twitter que me inspiró a realizar mi propio análisis de reorganización de conferencias. Esta serie está organizada en cuatro partes (y la motivación completa se encuentra en la parte 1):

  1. Reorganización de conferencias de fútbol universitario: análisis exploratorio de datos en Python
  2. Reorganización de conferencias de fútbol universitario: regresión
  3. Reorganización de conferencias de fútbol universitario: agrupamiento
  4. Reorganización de conferencias de fútbol universitario: node2vec
Foto de Norbert Braun en Unsplash

Espero que cada parte de la serie te brinde una perspectiva fresca sobre el futuro del querido juego de fútbol universitario. Para aquellos de ustedes que no leyeron la parte 1, un resumen rápido es que creé mi propio conjunto de datos compilado de fuentes en la web. Estos datos incluyen información básica sobre cada programa FBS, una aproximación no canónica de todas las rivalidades del fútbol universitario, tamaño del estadio, rendimiento histórico, apariciones frecuentes en las encuestas de los mejores 25 equipos de la AP, si la escuela es una institución AAU o R1 (históricamente importante para la membresía en la Big Ten y Pac 12), el número de selecciones de la NFL, datos sobre los ingresos del programa de 2017 a 2019 y una estimación reciente del tamaño de las bases de fanáticos del fútbol universitario. Resulta que la capacidad del estadio, los ingresos de 2019 y el éxito histórico en las encuestas de la AP se correlacionan fuertemente con el tamaño estimado de la base de fanáticos en el análisis de Tony Altimore:

La matriz de correlación muestra una relación positiva perfecta entre cada característica y sí misma. También vemos una alta correlación entre la capacidad del estadio, el tamaño de la base de fanáticos, los ingresos de 2019 y el porcentaje de semanas en la lista de los mejores 25 equipos de la AP entre 2001 y 2021.

Aprendizaje supervisado

Entonces, esto me hizo pensar: ¿podemos crear un modelo de regresión simple para estimar el tamaño de la base de fanáticos?

En términos generales, podemos dividir el aprendizaje automático en aprendizaje supervisado y no supervisado. En el aprendizaje supervisado, el objetivo es predecir una clase discreta o una variable continua predefinida. En el aprendizaje no supervisado, el objetivo es descubrir tendencias en los datos que no son obvias. La regresión es un tipo de aprendizaje supervisado donde el objetivo de la predicción es una variable continua. Una excelente guía de referencia y recurso fue elaborada por Shervine y Afshine Amidi. (Se ha traducido en…

We will continue to update Zepes; if you have any questions or suggestions, please contact us!

Share:

Was this article helpful?

93 out of 132 found this helpful

Discover more

Inteligencia Artificial

Conoce DeepOnto Un paquete de Python para la ingeniería de ontologías con Aprendizaje Profundo

Los avances en metodologías de Aprendizaje Profundo están teniendo un gran impacto en la comunidad de Inteligencia Ar...

Ciencias de la Computación

Europa avanza en la regulación de la IA, desafiando el poder de los gigantes tecnológicos.

Bruselas presentó un nuevo desafío antimonopolio contra Google el mismo día en que los legisladores europeos votaron ...