Notice bibliographique
Résumé
This research has for objective to evaluate the win/loss pattern depending on scores per quarter of each basketball team, which has played ten minutes for four quarters during total two seasons, 2010season, 2011season and, simultaneously, to figure out which quarter’s goal average would be a major factor in winning or losing. It, also, has for objective to set a segmented analysis index for evaluating basketball games. In order to accomplish its objective, this study included data which shows score per quarter of ten teams in total 1080 games for the 2010season, 2011season of the Korean Basketball League, and the decision tree model, one of the Data Mining techniques, through SPSS clementine 11.1 was used to establish the win/loss pattern model depending on scores per quarter and to analyze predictive capability of game results. An algorithm of the decision tree model this research used was CART algorithm. The analysis result is the same as the next. The pattern of which the winning rate is high appeared for 3 pattern. first getting over 23.5 points in 3 quarter. second pattern is getting over 20.5points in 2 quarter. last pattern is getting over 15.5 points in 4 quarter. The pattern of which the defeat rate is low appeared for 4 pattern, too. First getting lower 23.5 points in 3 quarter. Second pattern is getting lower 23.5 points in 1 quarter. Third pattern is getting lower 14.5 points in 2 quarter. last pattern is getting lower 20.5 points in 1 quarter. Consequently, The most important factor of connection with korea professional basket ball victory and defeat is the score distribution of at the 3 quarter. additionally, the major element appear at the distribution of score of 1, 2 quarter.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».