Loading...

Predicting Football Match Results by Machine Learning Methods

Behradfar, Mohsen | 2023

90 Viewed
  1. Type of Document: M.Sc. Thesis
  2. Language: Farsi
  3. Document No: 56195 (01)
  4. University: Sharif University of Technology
  5. Department: Industrial Engineering
  6. Advisor(s): Rafiee, Majid
  7. Abstract:
  8. Nowadays, electrical energy is one of the crucial requirements in human beings’ lives. Since the majority of the world’s energy is met by fossil fuel, the problems such as global warming, the reduction of fossil fuel resources, and unpredictable oscillation of the prices of such fuels have led to a serious crisis for the people of the world. Furthermore, due to the increasing energy demand, the economic development of most countries has a strong correlation with fossil fuel prices. The abovementioned problems have made a lot of countries take alternative policies in terms of generating energy, one of which is using renewable energy resources. This approach is reported to be clean and affordable in comparison with traditional energy generation methods. Because of having appropriate weather conditions, Iran has the capability of utilizing photovoltaic panels and wind turbines to produce energy. The present study is looking for finding the optimal combination of photovoltaic panels, wind turbines, and energy storage devices, existing in an isolated power plant, to feed the load of an industrial area in Iran. The main aims of the present work are to minimize the economical and technical concerns of the unit, which are respectively minimizing the cost, and maximizing the reliability. Given the disagreement of such goals, the multi-objective approach, utilizing non-dominated sorting genetic algorithm-ii has been proposed to simultaneously optimize these objectives. The numerical results illustrate the effectiveness of the proposed method and the usefulness of using renewable energy resources in generating electrical energy
  9. Keywords:
  10. Machine Learning ; Prediction Models ; Football ; Artificial Neural Network ; Linear Discriminant Analysis ; Random Forest Algorithm ; Ranger Random Forest

 Digital Object List

 Bookmark

  • فصل اول مقدمه
  • فصل دوم مبانی نظری و پیشینه‌ی پژوهش
    • 2.5 مرور ادبیات موضوع
  • فصل سوم تعریف مسئله و روش‌های پیشنهادی حل آن
    • 3.1 تعریف مساله
    • 3.2 توضیح روش‌های پیشنهادی
      • 3.2.1 روش جنگل تصادفی
        • 3.2.1.1 مقایسه‌ی رویکردهای متفاوت به درخت تصمیم
      • 3.2.2 روش آنالیز جداکننده‌ی خطی
        • 3.2.2.1 طبقه بندی بر اساس تجزیه و تحلیل متمایز
        • 3.2.2.2 تحلیل تفکیک خطی و درجه دوم
        • 3.2.2.3 محاسبات روش تحلیل جداکننده‌ی خطی
        • 3.2.2.4 آنالیز جداکننده‌ی خطی با رنک کاهش یافته
        • 3.2.2.5 کاهش ابعاد ذاتی در آنالیز جداکننده‌ی خطی
        • 3.2.2.6 آنالیز جداکننده‌ی خطی فیشر
        • 3.2.2.7 مزایا و معایب روش آنالیز جداکننده‌ی خطی
      • 3.2.3 روش k نزدیکترین همسایه
        • 3.2.3.1 انتخاب مقدار مناسب برای K
        • 3.2.3.2 مزایا و معایب روش k نزدیکترین همسایه
      • 3.2.4 روش رگرسیون لاجستیک
        • 3.2.4.1 فرضیات رگرسیون لاجستیک
        • 3.2.4.2 مرز تصمیم‌گیری در رگرسیون لاجستیک
        • 3.2.4.3 تابع هزینه
        • 3.2.4.4 گرادیان کاهشی
      • 3.2.5 ماشین بردار پشتیبان
        • 3.2.5.1 تابع هزینه و به‌روزرسانی‌های گرادیان
      • 3.2.6 شبکه‌های عصبی مصنوعی
        • 3.2.6.1 نورون‌های بیولوژیکی در مقابل نورون‌های مصنوعی
        • 3.2.6.2 چگونگی عملکرد الگوریتم شبکه‌های عصبی مصنوعی
  • فصل چهارم حل مساله و معرفی مجموعه داده
    • 4.1 توصیف داده‌های مورد استفاده
    • 4.2 تشریح متغیرهای دیتاست
    • 4.3 بررسی همبستگی بین متغیرها
    • 4.4 انتساب داده‌ها
    • 4.5 متعادل کردن داده‌ها
    • 4.6 داده‌های مناسب شده جهت پیاده‌سازی مدل‌ها
    • 4.7 پیاده سازی مدل ماشین بردار پشتیبان
      • 4.7.1 مشکل بیش برازش
      • 4.7.2 بررسی اهمیت داده‌ها
      • 4.7.3 مناسب سازی داده‌ها جهت جلوگیری از بیش برازش
      • 4.7.4 اجرای مجدد مدل ماشین بردار پشتیبان
      • 4.7.5 اعتبار سنجی متقابل
      • 4.7.6 ساختن مدل بعد از اعتبار سنجی متقابل
      • 4.7.7 مدل ماشین بردار پشتیبان چند جمله‌ای
      • 4.8 پیاده سازی مدل تحلیل جداکننده‌ی خطی
    • 4.9 مدل جنگل تصادفی
    • 4.10 مدل نزدیکترین همسایه
      • 4.10.1 انتخاب متغیر برای مدل نزدیکترین همسایه به منظور افزایش دقت مدل
    • 4.11 مدل شبکه‌های عصبی مصنوعی
      • 4.11.1 تکرار مدل با اپک‌های مختلف جهت افزایش دقت مدل
    • 4.12 مدل جنگل تصادفی رنجر
    • 4.13 مدل رگرسیون لاجستیک
    • 4.14 تحلیل حساسیت
    • 4.15 سخت افزار و نرم افزارهای استفاده شده
  • فصل پنجم ارزیابی نتایج و مقایسه‌ی آن‌ها
    • 5.1 نتایج مدل ماشین بردار پشتیبان
      • 5.1.1 نتایج مدل ماشین بردار پشتیبان بعد از حل مشکل بیش برازش
      • 5.1.2 نتایج مدل ماشین بردار پشتیبان بعد از اجرای اعتبار سنجی متقابل
      • 5.1.3 نتایج مدل ماشین بردار پشتیبان پس از اجرای مرتبه دوم اعتبارسنجی متقابل
      • 5.1.4 نتایج مدل ماشین بردار پشتیبان چندجمله‌ای
    • 5.2 نتایج مدل تحلیل جداکننده‌ی خطی
    • 5.3 نتایج مدل جنگل تصادفی
    • 5.4 نتایج مدل نزدیکترین همسایه
      • 5.4.1 نتایج مدل بعد از انتخاب متغیر
    • 5.5 نتایج مدل شبکه‌های عصبی مصنوعی
    • 5.6 نتایج مدل جنگل تصادفی رنجر
    • 5.7 نتایج مدل رگرسیون لاجستیک
    • 5.8 مقایسه مدل‌های پیاده‌سازی شده
  • فصل ششم جمع بندی
  • مراجع
...see more