铛or唰唰，机器学习预测科比的投篮中不中？

以下内容已发表在第四范式专栏中。

当当还是嗖嗖，机器学习预测科比投篮命中与否？ 第1部分

科比·布莱恩特，广大中国篮球迷对这个名字应该非常熟悉，当然都有不同的感受。 但无论你是球迷还是粉丝，有一件事应该被广泛认可：科比是21世纪以来整个NBA进攻手段最难以捉摸、得分技巧最全面的球员。 他的每一次投篮都充满自信，让对手提心吊胆足球比赛数据分析，尽管此前他可能已经连续投丢了很多次。 在他20年的职业生涯中，他的比赛视频被人们一遍又一遍地研究，人们希望总结出一些规则来限制这个几乎无所不能的男人。

那么问题来了，我们能否结合经验和已知信息，用最科学的方式来评估科比的某个投篮命中篮筐的概率？ 答案是肯定的，机器学习最擅长分析数据并做出理论预测。 大数据思维下，即使面对体育比赛等千变万化的场景，机器学习依然能在其中找到“线索”。

该问题源于（数据科学社区）的公开竞赛。 我们掌握的数据是科比·布莱恩特在20年NBA职业生涯中所有投篮命中的信息，包括以下项目：

除此之外，自然还有一个标签：，那就是出手是否命中。 3万多条数据中选取5000条作为测试集，隐藏它们的标签值。 最后的工作是根据学习剩余的数据来预测击中这 5,000 次球的概率。

在预测 5000 个镜头的过程中，我们还发现了一些有趣的结果：

第2部分

好了，介绍完背景，准备好数据，第四范式投入巨资开发的平台就该出场了。 借助这个科学、便捷的机器学习平台，我们可以系统、直观地完成这个机器学习课题。

如果我们想让计算机学会评估科比的投篮成功率，我们自然要提供已知的例子来“教”它。 有了上面列出的信息，事情就会变得容易处理。 事实上，需要澄清的问题只有三个：

1、科比的投篮成功率与什么有关？

每个信息项代表科比投篮的一个特征（）。 既然是特征，那么必然和结果是否命中密切相关，例如：

如果你仔细观察某些功能，你会发现很多有趣的东西。 比如，队名并不能体现多少价值，因为科比在同一支球队待了二十年； 对手变量更有意义。 比如熟悉科比的球迷应该都知道，一击败猛龙他就兴奋不已。

2、应该结合哪些因素来描述科比的投篮？

在许多情况下，单个特征不足以完全反映操作的某种性质。 我们需要将几个特征组合在一起，帮助计算机更合理地训练模型。

第四范式提供了自动特征组合算法——只需使用“自动特征组合”算子，先知平台就可以开始他的表演。

有一组特征组合在一起：（投篮区域，包括左、右等）和（投篮区域类型，包括中距离、外线、罚球区等）。 将这两个特征结合起来的原因很容易理解，同时确定了角度和距离，可以用来定位科比的投篮位置。 将它们结合起来使用是一种科学的方法。

还有一套特点，（投篮方式，包括跳投、上篮等）和（对手球队名称）也结合在一起。 乍一看，这是一个毫无联系的群体，但仔细分析就会发现一些东西：各支球队的防守传统不同，有的球队注重培养外线铁门，有的球队热衷于内线巨兽； 对于不同的防守重点，科比选择攻击篮下还是外线投篮的成功率差异应该体现出来。 所以平台从数据层面发现了这个专家经验，帮助我们更好的提取特征。

3、哪些因素对科比的投篮影响最大？

特征的种类很多，相关性自然也有高低之分。 当然，我们最关心的是那些对结果影响最大的特征。 平台可以轻松帮助我们找到他们。

当我们通过完成特征提取后，我们可以连接“特征重要性分析”算子，经过计算就可以得到每个特征在机器学习过程中的重要性排名。

预言家告诉我们，与科比投篮成功率关系最密切的特点之一就是（投篮方式，包括跳投、上篮等）。 原因可能是不同的拍摄方式，其命中率差异较大。 比如科比的投篮（包括扣篮）命中率肯定会高于中距离跳投，中投成功率也会比三分球稍好一些。 同样，以下是其他一些重要功能：

有了特征重要性的分析报告，我们在处理非常重要的特征项时应该更加关注，仔细考虑是否对它们进行分桶以及它们的泛化程度等关键问题。

第三部分

通过以上的分析，我们已经打下了坚实的基础。 当然，预测科比的投篮并不是那么简单，但预言家的“黑科技”并不止于此。 我们将逐步落实。

首先，我们需要将全部数据上传到平台。 可以看到它包含了科比职业生涯总共30697次出手的相关数据。

引入数据后，我们拖入“数据分割”算子，首先将3万条数据分割为训练集和测试集。 对于训练集中的25000条数据，我们简单地按照9:1的比例随机分为训练数据和测试数据。

数据分割之后，就是提取特征的过程。 这个过程对于不同的变量有不同的提取方式：有些离散值可以直接使用，而有些连续变量则需要分桶； 如果保留的小数位数过多，泛化性不够，则需要向下舍入； 单个变量不足以完全反映某个特征，所以必须组合多个变量……这些复杂且技术性很强的过程平台可以轻松为您解决：拖入“特征组合”操作符，设置后学习率和随机参数调整次数，先知会为我们计算出几种特征提取和组合方法。 由于它在数学上与 AUC 一致，因此只需选择 AUC 最高的即可使用。

完成特征提取工作后，下一步就是应用学习算法生成预测模型。 数据经过特征自动组合后已经完全离散化，因此我们选择逻辑回归算法进行训练。 同样，我们也面临着参数调整的艰巨问题。 别担心，还是可以帮你快速解决的。 我们使用“逻辑回归自动参数调整”算子。 我们只需要设定参数调整次数、参数范围等一些基本指标，就可以达到反复试验以获得最佳参数的目的。

经过自动参数调整后，我们将最佳参数填充到逻辑回归的参数表中，这样输出将是经过训练的机器学习模型。 接下来，我们需要测试它的质量，并使用从之前的训练集中分离出来的测试数据来进行模型预测。 由于评估标准是在输出后连接一个SQL运算符来计算预测结果的值。

正如您所看到的，该值仍然很小并且测试通过。 最后一步，我们需要将该模型应用到标签未知的测试集上以获得最终结果。 为了模块化，我们导出这个模型，重命名并发布，然后我们就可以直接使用这个训练好的模型。 由于测试集中每个数据的标签为空，而P​​平台目前无法对空集进行特征提取，因此我们引入自定义脚本将这个空值设置为0。接下来我们使用相同的特征提取方法和之前一样处理测试集特征，然后应用之前的模型轻松输出结果。

第 4 部分

至此足球比赛数据分析，我们就完成了利用机器学习评估科比单投概率的整个过程。 总体而言足球比赛数据分析，平台在完成机器学习项目时所表现出的灵活性和便利性非常出色。 通过，我们可以省去很多繁琐复杂的步骤，攻克很多难题，不仅提高了效率，也降低了机器学习的应用门槛。

回到主题本身，我们看一下结果中的数据。 在那些概率大的情况下，科比一定是最优雅、最擅长的； 在那些概率很低的情况下，科比可能是最无助和偏执的。 这个留在了无数年轻人青春里的男人，立下了那么多功绩，也遭受了那么多骂名。 现在一切都结束了。 在那一串串数字里，封印的是他的痛点，也是我们的记忆，但更重要的是，这是一种坚持。

明白了这一点，也许你就能成为足球皇帝，对墙上的海报说：

科比，我已经看透你了。

如果您对我们感兴趣，请在这里申请先知平台：

参考：科比投篮