ПРОГНОЗУВАННЯ ПРОСУВАННЯ БАСКЕТБОЛЬНОЇ КОМАНДИ В ТУРНІРІ З ВИКОРИСТАННЯМ ДЕРЕВА РІШЕНЬ
DOI:
https://doi.org/10.31498/2522-9990232020241209Ключові слова:
дерева рішень, класифікація, прогнозування, ентропія, баскетбольна команда, CARTАнотація
У роботі розглядається побудова дерева рішень для прогнозування просування баскетбольної команди в турнірній таблиці. У дослідженні розглядаються переваги і недоліки дерева рішень, а також проблеми навчання і тестування дерев рішень. У статті описується абсолютно новий підхід для вирішення задачі класифікації даних на основі дерев рішень. Використання нових методів дозволить позбутися від нестачі евристичних алгоритмів, які мають пряме відношення до неправильного вибору критерію поділу класифікації при створенні дерева рішень. Такий новий підхід алгоритму побудови дерева рішень продемонстрував в процесі дослідження більш точну класифікацію даних, а також якість прогнозування результатів. У статті був здійснений прогноз можливостей використання в прикладних цілях дерев рішень для прогнозування економічних і фінансових кризових ситуацій. Для запобігання спаду економіки держави або ж відокремленої компанії або підприємства. Однак перед використанням даних необхідно дотримуватися вимог до форми наданих даних. Також важливо зберегти дані в ієрархічності вигляді. У процесі дослідження автори використовують багатовимірні методи, які є корисними для опису нормативних профілів статистики та їх зв'язку з ситуативними змінами. Статистичний підхід багатовимірних методів з непарними даними є найкращим для визначення статистики, пов'язаної з баскетбольними турнірами. Наведено алгоритм CART класифікації за допомогою дерев рішень, математична модель розрахунку основних вузлів дерева рішень. За допомогою мови програмування Python створений і наведено приклад дерева рішень для поставленого завдання.
Посилання
The official site of the NBA. – Режим доступу: www.nba.com.
Кафтанников, И.Л. Особенности применения деревьев решений в задачах классификации / И. Л. Кафтанников, А.В. Парасич // Вестник ЮУрГУ. Серия «Компьютерные технологии, управление, радиоэлектроника». – 2015. – Т. 15, № 3. – С. 26–32. DOI: 10.14529/ctcr150304.
Чернов В.Г. Нечеткие деревья решений (нечеткие позиционные игры) // Информационно-управляющие системы, 2010. № 5(48). С. 8–14.
Андрущак І. Є Програмна реалізація методу індукції дерева рішень для класифікації політравм: питання обчислюваної складності / І. Є. Андрущак, Ю.С. Повстяна // Штучний інтелект, № 2, 2014. – С. 100 – 106
.
Ржеуцкий А. В. Эволюционный алгоритм построения дерева решений / А. В. Ржеуцкий, А. А. Суконщиков // Программные продукты и системы, № 3, 2011. – С. 22 – 24.
Литвин А. В. Розробка дерев рішень для прогнозування фінансової кризи в страхових компаніях Україн / А. В. Литвин // НАУКОВІ ЗАПИСКИ. Економічні науки, №172, 2015. – С. 59 – 64.
S. B. Kotsiantis. Decision trees: a recent overview. Artificial Intelligence Review, 39, 2013. – Р. 261–283.
Басюк Т. Застосування методу «дерева рішень» для побудови системи встановлення діагнозу /Т. Басюк, І. Дуб’як // INFORMATION, COMMUNICATION, SOCIETY (ICS-2017) 18-20 MAY 2017, SLAVSKE, UKRAINE. – С. 210 – 211.
Чирун Л.В. Інтелектуальний аналіз дерева прийняття рішень в інформаційних системах скринінгового спостереження за імунологічними пацієнтами / Л.В. Чирун, Є. Я. Лещинський // Інформаційні системи та мережи, № 610 (1), 2008. – С. 233 – 244.
Moura, F.A., Martins, L.E.B., & Cunha, S.A. (2014). Analysis of football game-related statistics using multivariate techniques. Journal of Sports Sciences, 32(20). – Р. 1881-1887.
Loh, Wei-Yin. (2011). Classification and Regression Trees. Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery. 1. 14 - 23. 10.1002/widm.8.
Ross J. Quinlan. C4.5: Programs for Machine learning. Morgan Kaufmann Publishers, 1993.
Кочетков А.В., Федотов П.В. О различных смыслах понятия «энтропия» // Интернет-журнал «НАУКОВЕДЕНИЕ» Том 7, №6 (2015) http://naukovedenie.ru/PDF/72TVN615.pdf (доступ свободный). Загл. с экрана. Яз. рус., англ. DOI: 10.15862/72TVN615.
