Cricket ODI World Cup 2023 Prediction Using TOPSIS Methodology
Notice bibliographique
Résumé
Current research uses TOPSIS to evaluate 14 Cricket World Cup 2023 teams. Data from the Espn Cricinfo website was used in this analysis. A comprehensive set of criteria (P1 to P11) was used to evaluate each squad, encompassing various game aspects. A numerical labeling system (A1 to A14) and parameter system (P1 to P11) were used to idenMfy team names and qualiMes more efficiently. The research calculates the normalized matrix and weighted matrix, then finds the best and worst values using TOPSIS. A normalized matrix creates a consistent and uniform framework for evaluaMng and comparing factors, ensuring imparMality and jusMficaMon. In contrast, the weighted matrix integrates each criterion's proporMonal importance into the evaluaMon process. For each criterion, the ideal best and ideal worst values indicate the best and worst performance. The TOPSIS analysis placed Australia first, Bangladesh second, and New Zealand third. In fourth and fiXh place were India and Sri Lanka. Afghanistan, West Indies, England, South Africa, and Pakistan rated sixth to tenth. Nepal was tenth, Ireland, the US, and Zimbabwe fourteenth.To understand team performance, the TOPSIS technique must be accepted. It is important to acknowledge that the Cricket World Cup 2023 results may vary owing to many factors. This study provides a systematic and comprehensive approach to team performance, making it a useful resource for cricket fans and experts interested in the event's competitive dynamics.
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 | 0,004 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,010 | 0,008 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,004 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 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 ».