这位同学你好
听完你的报告小弟有几个看法
要做分类器。应该要先研究pattern 的特性。
我自己觉得用linear 的分类对棒球特性分类比较不fit
分类器的选择可以考虑用非线性的方式做
盲不盲其实是一个感觉的形容词
要做到量化。就变成相对来说阀值的订立各唱各的调
再加上量化指标只有两个。我觉得是比较少一点
我比较喜欢用cluster label的方式
设计步骤如下
投票表决这个人属于那种类别

在炫耀技巧前先学会做简报 谢谢

站内信是一个很棒的东西

先推 我觉得前两楼看不懂急着嘘

错字让我看的很痛苦…能中英都错也不简单…

这里只想听 哪队打击最废 & 哪个教练最不会挑人 END

我觉得还ok，一二楼是？？？棒球版连线化很久了，不意外

我会机器学习跟分类原理啊 但是我会想推原po不想推这篇

dick learning

马克吴做这个做很久惹~上次就发表过,怎么这次就被嘘XD

原来马克也会出现在棒球板XD

结果你还是啥鬼都分类不出来吗

markwu上次就做一个分类表出来了吗??真的，上次一堆推，这次看不懂就嘘了一堆。

加油

怎么不说上次是一堆人不懂才推的？

deep learning理论上就是多层MLP, 但数据太少用DL要进行regularization...有没有试过unsupervised learning进行打者分群

有考虑要用 非监督式的方式做。可能会用SOM不过用的工具没有SOM。要自己code 要花时间改一下另外在想要不要先投影到二维空间视觉化观察样本特性

会推首篇文的人sabermetrics的水平低到让人发笑

狮迷出现在棒球版很奇怪吗??

应该说deep learning目前较成熟的模型是采用MLP架构才对 :~降维的视觉化可以先用最近较红的t-SNE试试, 但要注意这些降维视觉化工具的背后理论, 低维距离未必保有高维距离关系

是的。低维资讯失真不一定可以代表。但是就只是观察老实说做这种东西找有代表的数据和挑模型就搞死我了ORZ

像t-SNE是保点和点之间的机率, 不保欧氏距离"找有代表的数据和挑模型" 这是机器学习的宿命.逃不掉的:p

我再看Machine learning 版？

连直接拿守备机会除场数的都能说一个长篇大论了那篇废文被推爆不是很正常吗 XD

这种东西我觉得还可以啦，趣味性居多就是

一二楼真的好严格！