Ένα από τα πιο σημαντικά πεδία επιστημονικής έρευνας συνίσταται η πρόβλεψη διαφόρων γεγονότων, η χρήση της οποίας συνεισφέρει όχι μόνο στην απλοποίηση της καθημερινής ζωής αλλά και σε σημαντικές επιστημονικές ανακαλύψεις. Σημαντική θέση στην επιστήμη της πληροφορικής και σύμμαχος της διαρκούς προσπάθειας βελτίωσης της ακρίβειας πρόβλεψης είναι η εξόρυξη δεδομένων, η ανακάλυψη κρυφής γνώσης από μεγαλύτερα σύνολα δεδομένων. Εργαλείο που οδηγεί την επιστήμη της εξόρυξης γνώσης στην ανακάλυψη είναι η μηχανική μάθηση κάποιοι ορισμοί της οποίας δίνονται :
Carbonell (1987) Η μελέτη των υπολογιστικών μεθόδων για την απόκτηση νέας γνώσης , νέων δεξιοτήτων και νέων τρόπων οργάνωσης της υπάρχουσας γνώσης.
Mitchel (1997) Ένα πρόγραμμα υπολογιστή θεωρείται ότι μαθαίνει από την εμπειρία Ε σε σχέση με μια κατηγορία εργασιών Τ και μια μετρική απόδοσης Ρ, αν η απόδοση του σε εργασίες της Τ, όπως μετριούνται από την Ρ, βελτιώνονται με την εμπειρία Ε.
Witten & Frank (2000) Κάτι μαθαίνει όταν αλλάζει η συμπεριφορά του κατά τέτοιο τρόπο ώστε να αποδίδει καλύτερα στο μέλλον.
Στην παρούσα εργασία θα ασχοληθούμε με την χρήση των αλγορίθμων μηχανικής μάθησης και την αποτελεσματικότητα τους στην πρόβλεψη αθλητικών αγώνων (ποδοσφαίρου), την εκπαίδευση του συνόλου δεδομένων και την βελτίωση της αποδοτικότητας τους. Για το λόγο αυτό κατασκευάστηκε μια βάση δεδομένων με διάφορα χαρακτηριστικά από τετελεσμένους αγώνες ποδοσφαίρου από διάφορα πρωταθλήματα και εφαρμόστηκαν στα στιγμιότυπα αυτής αλγόριθμοι μηχανικής μάθησης με στόχο την απόδοσης πρόβλεψης κατάταξης των στιγμιοτύπων (instances) σε μια από τις κλάσεις Νίκη_Γηπεδούχου(1), Ισοπαλία(Χ), Νίκη_Φιλοξενούμενου (2) αλλά και συγχώνευση των κλάσεων Νίκη_Γηπεδούχου&Ισοπαλία(1Χ) και Ισοπαλία&Νίκη_Φιλοξενούμενου(Χ2) αλλά και την πρόβλεψη της ακρίβειας ταξινόμησης σε νέα καινούργια στιγμιότυπα.
Για την πραγματοποίηση των πειραμάτων σε όλη την φάση υλοποίησης της παρούσας διπλωματικής εργασίας χρησιμοποιήθηκε η εργαλειοθήκη WEKA, μια συλλογή από state-of-the-art αλγόριθμων μηχανικής μάθησης και εργαλείων προ επεξεργασίας δεδομένων του Πανεπιστημίου Waikato της Νέας Ζηλανδίας.
Prediction is an important research science field, which can contribute not only in the simplification of everyday life, but also in significant scientific discoveries. Holder of a significant position in Computer Science and ally of a continuous effort to optimize the accuracy of prediction is Data mining, the discovery of hidden knowledge from larger datasets. A useful tool which drives the Data Mining Science to make predictions is Machine Learning; some definitions of which are provided as follows: “…the study of computational methods for the acquisition of new knowledge, new skills and new ways of organizing existing knowledge” Carbonell (1987); “A computer program can learn from experience E in relation with a task in category T and a metric performance P, if the task performance of T, as measured from P, improve with experience” (Mitchel 1997); “Something learns, when it changes attitude in a way that can perform better in the future” (Witten & Frank 2000).
In this thesis we will examine the usage of machine learning algorithms and their effectiveness in predicting sport results (football/soccer), their training and the improvement of their performance. For this reason we constructed a database with various attributes from completed football matches from different leagues and we apply classification algorithms. The aim is to predict the accuracy of the classification of the instances in our three classes (1-x-2), the merger of classes (1x) and (x2), but also the classification of new instances to those classes.
To implement the experiments we use the WEKA toolbox, a collection of state-of-the-art machine learning algorithms and a data preprocessing tool of the University of Waikato of New Zealand.
Hellenic Open University
Items in Apothesis are protected by copyright, with all rights reserved, unless otherwise indicated.
