带有体育数据测验的预测模型 & 答案 – Coursera

通过引人入胜的测验和专家答案，深入了解令人兴奋的体育分析世界 预测模型 同 体育 数据. 探索数据科学与体育的交叉点, 预测模型正在改变我们理解和分析运动表现的方式. 这些测验是解开利用运动数据构建准确预测模型的复杂性的门户, 从球员表现到比赛结果.

无论您是一位体育爱好者，对比赛背后的数据着迷, 或者希望在体育环境中应用预测分析的数据科学爱好者, 该系列为体育运动中数据驱动决策的力量提供了宝贵的见解. 与我们一起踏上统计发现之旅，探索以下领域： 预测的 楷模 运用 体育 数据 并为体育分析领域的数据驱动洞察和战略优势开辟机会.

测验 1: 周 1 – 测验 1

第一季度. 来自 LPM, 解释二元获胜变量时毕达哥拉斯获胜率的回归系数是多少, 命名为“WIN”?

• 毕达哥拉斯胜利%: 6.2946
• 毕达哥拉斯胜利%: 2.6461
• 毕达哥拉斯胜利%: 5.542
• 毕达哥拉斯胜利%: 16.393

Q2. 来自 LPM, R 平方值是多少?

• 0.102
• 10.2
• 1.02
• 0.0102

Q3. 从逻辑回归, 毕达哥拉斯获胜的回归系数是多少 %?

• 30.5739
• 26.550
• 34.598
• 1.027

第四季度. 从逻辑回归, 毕达哥拉斯获胜的标准误差是多少 %?

• 2.053
• 20.53
• 1.027
• 1.023

Q5. 从逻辑回归, 正确预测结果的比例是多少 %?

• 65%
• 55%
• 90%
• 38%

Q6. 来自包含主队优势的多元Logistic回归, 正确预测结果的比例是多少 %?

• 90%
• 58%
• 35%
• 65%

测验 2: 周 1 – 测验 2

第一季度. 使用比赛 ID 分割常规赛数据集后 (即, 游戏ID), 亚特兰大老鹰队和芝加哥公牛队之前打了多少场比赛 (参考“NBA17_pre_team”数据集)?

• 亚特兰大老鹰队: 40
  芝加哥公牛队: 42
• 亚特兰大老鹰队: 41
  芝加哥公牛队: 41
• 亚特兰大老鹰队: 41
  芝加哥公牛队: 42
• 亚特兰大老鹰队: 44
  芝加哥公牛队: 40

Q2. 毕达哥拉斯获胜之间的相关系数是多少 % 并获胜 % 在数据集的前半部分 (参考“NBA17_pre_team”数据集)?

• 0.78
• 0.89
• 0.45
• 0.91

Q3. 获胜的是什么 % 数据集后半部分的芝加哥公牛队 (参考“NBA_17_post_team”数据集)

• 43%
• 55%
• 41%
• 30%

第四季度. 从预测模型来看, 每个自变量的回归系数是多少 (即, “wpc_pre”和“pyth_pre”

• 毕达哥拉斯胜利 %: 3.75
  赢 %: 0.825
• 毕达哥拉斯胜利 %: 6.25
  赢 %: 0.756
• 毕达哥拉斯胜利 %: 4.55
  赢 %: 0.567
• 毕达哥拉斯胜利 %: 7.55
  赢 %: 0.625

周 2: 使用体育数据的预测模型 Coursera 测验答案

测验 1: 周 2 测验

第一季度. 主队获胜概率与主队在整个比赛中获胜的概率之间有什么相关性？ 2018/19 季节?

• +0.413
• +0.576
• +0.397
• -0.198

Q2. 分差小于的比赛中主队获胜概率与主队获胜之间有什么相关性 9?

• +0.414
• -0.198
• +0.455
• +0.198

Q3. 在分差大于的比赛中，主队获胜概率与主队获胜之间有什么相关性？ 9?

• -0.319
• +0.321
• +0.198
• +0.576

第四季度. 考虑最后两个问题的答案, 您认为对这些结果最可能的解释是什么

• 博彩公司使赔率更加随机，以吸引对势均力敌的比赛的投注
• 观察到的相关性差异只是随机的
• 博彩公司不是好的预测者
• 不确定的比赛是博彩公司赔率最有可能出错且比分可能最接近的比赛

Q5. 比赛进入加时赛时，主队获胜概率与主队获胜之间有什么相关性?

• +0.414
• -0.397
• +0.319
• +0.032

Q6. 在常规时间结束的比赛中，主队获胜概率与主队获胜之间有什么相关性?

• +0.576
• +0.414
• -0.413
• +0.503

Q7. 主队获胜概率与日历年进行的比赛的主队获胜之间有什么相关性 2018?

• +0.338
• +0.319
• +0.322
• -0.322

Q8. 主队获胜概率与日历年进行的比赛的主队获胜之间有什么相关性 2019?

• +0.455
• +0.379
• -0.438
• +0.438

Q9. 哪个月主队获胜概率与主队获胜的相关系数最大?

• 一月
• 十月
• 十二月
• 四月

辅酶Q10. 哪个月主队获胜概率与主队获胜的相关系数最低?

• 游行
• 二月
• 十一月
• 十月

周 3: 使用体育数据的预测模型 Coursera 测验答案

周 3 测验

第一季度. 基于交叉表, 博彩公司在整个赛季中正确预测的比赛百分比是多少

• 52%
• 36%
• 48%
• 64%

Q2. 从有序 Logit 模型, TM 比率变量的系数是多少?

• 0.1129
• -0.6734
• 0.3356
• 0.5981

Q3. 在有序 Logit 模型中, 关于 TM 比率变量的统计显着性，我们能说的最好的是什么?

• 其统计显着性为 10% 等级 (p 值)
• 其统计显着性为 1% 等级 (p 值)
• 没有统计学意义
• 其统计显着性为 5% 等级 (p 值)

第四季度. 在逻辑回归模型中, 如果 TM 值的比率等于 1, 然后

• 仅常数的值就可以决定获胜的概率, 主队平或负
• 每支球队都有平等的获胜机会
• 结果将是完全随机的
• 每个团队都会同样出色

Q5. 基于博彩公司赔率, 从游戏中正确预测结果的比例是多少 224 向前?

• 45%
• 39%
• 55%
• 50%

Q6. 基于有序logit模型, 正确预测结果的比例是多少

• 39%
• 54%
• 48%
• 50%

Q7. 从博彩公司赔率得出的 Brier 分数是多少?

• 0.562
• 0.692
• 0.477
• 0.587

Q8. 从逻辑模型得出的 Brier 分数是多少?

• 0.393
• 0.747
• 0.399
• 0.594

Q9. 较低的 Brier 分数意味着

• 比赛结果更加随机
• 概率更接近实际结果
• 概率与实际结果相差甚远
• 比赛结果随机性较低

辅酶Q10. 假设有序 Logit 模型在赛季每场比赛后更新, 以下哪一项最有可能是正确的:

• 随着赛季的进行，有序的 logit 模型会更加准确
• 有序 Logit 模型将产生更可靠的预测
• 有序 Logit 模型的表现仍然不如博彩公司赔率

周 4: 使用体育数据的预测模型 Coursera 测验答案

测验 1: 周 4 测验

第一季度. 日历年进行了多少场比赛 2018

• 1230
• 542
• 543
• 540

Q2. 从物流模型来看, 工资比率变量的系数是多少?

• 1.1216
• 0.4452
• 5.026
• 2.482

Q3. 在物流模型中, 关于变量的统计显着性我们能说些什么?

• 两者在统计上均显着 5% 等级 (p 值)
• 两者均具有统计显着性
• 两者在统计上均显着 1% 等级 (p 值)
• 只有常数在统计上显着 5% 等级 (p 值)

第四季度. 在逻辑回归模型中, 常数的解释是什么 (截距)

• 体现了主场优势的价值
• 它是一个随机参数
• 这是主场获胜的预测概率
• 它没有自然的解释

Q5. 基于博彩公司赔率, 正确预测结果的比例是多少

• 66%
• 69%
• 39%
• 96%

Q6. 基于物流模型, 正确预测结果的比例是多少

• 59%
• 69%
• 48%
• 39%

Q7. 从博彩公司赔率得出的 Brier 分数是多少?

• 0.394
• 0.692
• 0.587
• 0.477

Q8. 从逻辑模型得出的 Brier 分数是多少?

• 0.393
• 0.747
• 0.399
• 0.477

Q9. 较低的 Brier 分数意味着

• 比赛结果更加随机
• 概率与实际结果相差甚远
• 比赛结果随机性较低
• 概率更接近实际结果

辅酶Q10. 假设逻辑模型在赛季的每场比赛后更新, 以下哪一项最有可能是正确的:

• 逻辑模型将产生更可靠的预测
• 逻辑模型的表现仍然不如博彩公司赔率
• 随着季节的进展，物流模型将更加准确