這位同學你好
聽完你的報告小弟有幾個看法
要做分類器。應該要先研究pattern 的特性。
我自己覺得用linear 的分類對棒球特性分類比較不fit
分類器的選擇可以考慮用非線性的方式做
盲不盲其實是一個感覺的形容詞
要做到量化。就變成相對來說閥值的訂立各唱各的調
再加上量化指標只有兩個。我覺得是比較少一點
我比較喜歡用cluster label的方式
設計步驟如下
投票表決這個人屬於那種類別

在炫耀技巧前先學會做簡報 謝謝

站內信是一個很棒的東西

先推 我覺得前兩樓看不懂急著噓

錯字讓我看的很痛苦…能中英都錯也不簡單…

這裡只想聽 哪隊打擊最廢 & 哪個教練最不會挑人 END

我覺得還ok，一二樓是？？？棒球版連線化很久了，不意外

我會機器學習跟分類原理啊 但是我會想推原po不想推這篇

dick learning

馬克吳做這個做很久惹~上次就發表過,怎麼這次就被噓XD

原來馬克也會出現在棒球板XD

結果你還是啥鬼都分類不出來嗎

markwu上次就做一個分類表出來了嗎??真的，上次一堆推，這次看不懂就噓了一堆。

加油

怎麼不說上次是一堆人不懂才推的？

deep learning理論上就是多層MLP, 但數據太少用DL要進行regularization...有沒有試過unsupervised learning進行打者分群

有考慮要用 非監督式的方式做。可能會用SOM不過用的工具沒有SOM。要自己code 要花時間改一下另外在想要不要先投影到二維空間視覺化觀察樣本特性

會推首篇文的人sabermetrics的水平低到讓人發笑

獅迷出現在棒球版很奇怪嗎??

應該說deep learning目前較成熟的模型是採用MLP架構才對 :~降維的視覺化可以先用最近較紅的t-SNE試試, 但要注意這些降維視覺化工具的背後理論, 低維距離未必保有高維距離關係

是的。低維資訊失真不一定可以代表。但是就只是觀察老實說做這種東西找有代表的數據和挑模型就搞死我了ORZ

像t-SNE是保點和點之間的機率, 不保歐氏距離"找有代表的數據和挑模型" 這是機器學習的宿命.逃不掉的:p

我再看Machine learning 版？

連直接拿守備機會除場數的都能說一個長篇大論了那篇廢文被推爆不是很正常嗎 XD

這種東西我覺得還可以啦，趣味性居多就是

一二樓真的好嚴格！