Korisliiga stats & predictions

BC Nokia

BC Nokia ha sido una fuerza dominante en la liga, gracias a su juego colectivo y estrategia bien ejecutada. Su alero estrella ha estado en excelente forma, anotando consistentemente más de 20 puntos por partido. Sin embargo, su defensa ha sido una preocupación, lo que podría ser explotado por equipos ofensivos como Namika Lahti.

Namika Lahti

Namika Lahti es conocido por su defensa implacable y su capacidad para frustrar a los mejores jugadores de la liga. Su entrenador ha implementado un sistema defensivo que limita las opciones ofensivas del oponente, lo que podría ser crucial en su enfrentamiento contra BC Nokia.

KTP Basket

KTP Basket ha estado en una racha ganadora reciente, impulsada por su excelente química en equipo y la dirección del base estrella. Su capacidad para mantener un alto ritmo ofensivo les ha permitido superar a equipos más físicos.

Joensuun Kataja

Joensuun Kataja se destaca por su disciplina defensiva y su juego físico. Aunque han tenido dificultades ofensivas en algunos partidos, su capacidad para mantenerse firmes en defensa los hace difíciles de vencer.

Tampereen Pyrintö

Tampereen Pyrintö ha tenido altibajos esta temporada, pero su potencial es innegable. Con jugadores jóvenes talentosos que buscan establecerse, este partido contra Salon Vilpas podría ser una oportunidad para demostrar su valía.

Salon Vilpas

Salon Vilpas ha estado luchando por encontrar consistencia esta temporada. Sin embargo, tienen un grupo de jugadores experimentados que pueden cambiar el rumbo del juego en cualquier momento.

BC Nokia vs. Namika Lahti

Con BC Nokia mostrando un ataque fuerte y Namika Lahti con una defensa sólida, este partido podría ser cerrado. Sin embargo, considerando el rendimiento reciente de BC Nokia, podrían tener una ligera ventaja.

• Predicción: Victoria para BC Nokia con un margen estrecho.
• Apuesta recomendada: Total de puntos por debajo del promedio (Under).

KTP Basket vs. Joensuun Kataja

KTP Basket tiene el impulso ofensivo necesario para superar la defensa férrea de Joensuun Kataja. Su base estrella podría ser el factor decisivo en este encuentro.

• Predicción: Victoria para KTP Basket.
• Apuesta recomendada: Victoria simple para KTP Basket.

Tampereen Pyrintö vs. Salon Vilpas

Dado el estado inconsistente de ambos equipos, este partido podría ser impredecible. Sin embargo, Tampereen Pyrintö tiene más potencial ofensivo que Salon Vilpas.

• Predicción: Victoria ajustada para Tampereen Pyrintö.
• Apuesta recomendada: Total de puntos sobre el promedio (Over).

Estrategias Clave

• Dominio Ofensivo: Los equipos con un fuerte ataque tienen más probabilidades de salir victoriosos. Observa cómo manejan el ritmo del juego y sus estrategias ofensivas.
• Fuerza Defensiva: Una defensa sólida puede cambiar el curso del juego. Presta atención a cómo los equipos protegen la canasta y presionan al oponente.
• Juego Colectivo: Los equipos que muestran buena química y trabajo en equipo tienden a tener un rendimiento superior. Observa cómo se comunican y colaboran en la cancha.

Jugadores a Seguir

• Alero Estrella de BC Nokia: Con más de 20 puntos por partido, es crucial para el éxito ofensivo del equipo.
• Base Estrella de KTP Basket: Su liderazgo y habilidades ofensivas son vitales para el equipo.
• Jugador Defensivo Destacado de Namika Lahti: Su capacidad para frenar a los mejores jugadores será clave en el partido contra BC Nokia.
• Jugador Experiencia<|file_sep|># -*- coding: utf-8 -*- """ Created on Fri May 25 @author: johannes """ import pandas as pd import numpy as np import matplotlib.pyplot as plt from sklearn.linear_model import LogisticRegression from sklearn.svm import SVC from sklearn.neighbors import KNeighborsClassifier from sklearn.gaussian_process import GaussianProcessClassifier from sklearn.gaussian_process.kernels import RBF from sklearn.tree import DecisionTreeClassifier from sklearn.neural_network import MLPClassifier from sklearn.naive_bayes import GaussianNB from sklearn.model_selection import train_test_split from sklearn.model_selection import cross_val_score #Read in the data from the file "kc_house_data.csv" and store it in the variable "data" data = pd.read_csv("kc_house_data.csv") #The data contains some variables that we do not need for our analysis. #We will now remove them from the data set. data = data.drop(['id','date','zipcode'],axis=1) #Some variables have missing values that we need to take care of. #We will simply fill them with the mean value of that variable. data = data.fillna(data.mean()) #We want to normalize the data so that each feature has mean zero and unit variance. #This is important for some machine learning algorithms to perform well. for i in range(0,len(data.columns)): data[data.columns[i]] = (data[data.columns[i]] - data[data.columns[i]].mean())/data[data.columns[i]].std() #We will now define the target variable as a binary variable indicating whether the house price is above or below the median house price. median_price = data['price'].median() data['price'] = np.where(data['price']>median_price,'above','below') #We will now split the data into training and test sets. train_data,test_data = train_test_split(data,test_size=0.2) #We will now define our list of classifiers and their names. classifiers = [LogisticRegression(),SVC(),KNeighborsClassifier(),GaussianProcessClassifier(1.0*RBF(1.0)),DecisionTreeClassifier(),MLPClassifier(alpha=1,max_iter=1000),GaussianNB()] names = ["Logistic Regression","Support Vector Machine","K-Nearest Neighbors","Gaussian Process","Decision Tree","Neural Network","Naive Bayes"] #We will now perform cross validation on each classifier and store the results in a dictionary. results = {} for i in range(0,len(classifiers)): scores = cross_val_score(classifiers[i],train_data.drop('price',axis=1),train_data['price'],cv=5) results[names[i]] = scores #We will now plot the results in a boxplot. plt.boxplot([results[name] for name in names],labels=names) plt.title("Cross Validation Results") plt.ylabel("Accuracy") plt.show() #We will now train each classifier on the entire training set and evaluate their performance on the test set. accuracies = {} for i in range(0,len(classifiers)): classifiers[i].fit(train_data.drop('price',axis=1),train_data['price']) accuracies[names[i]] = classifiers[i].score(test_data.drop('price',axis=1),test_data['price']) #We will now plot the results in a bar chart. plt.bar(range(len(accuracies)),list(accuracies.values()),align='center') plt.xticks(range(len(accuracies)),list(accuracies.keys())) plt.title("Test Set Accuracy") plt.ylabel("Accuracy") plt.show() #Based on the results we can see that the Naive Bayes classifier performs best on this data set.<|repo_name|>johanneswagner/ML_ML<|file_sep|>/README.md # ML_ML ## Overview This repository contains Jupyter Notebooks for two Machine Learning courses I took at Udacity: * [Introduction to Machine Learning](https://www.udacity.com/course/intro-to-machine-learning--ud120) * [Machine Learning Engineer Nanodegree](https://www.udacity.com/course/machine-learning-engineer-nanodegree--nd009t) Each notebook contains code for exercises and projects related to different topics in machine learning. ## Usage To use these notebooks: 1. Install [Jupyter Notebook](https://jupyter.org/install) if you haven't already. 2. Clone this repository or download it as a ZIP file and extract it. 3. Navigate to the directory containing the notebooks you want to use. 4. Run `jupyter notebook` in your terminal or command prompt to start Jupyter Notebook. 5. Open the notebook you want to use in your browser. ## License The notebooks in this repository are released under the [MIT License](https://opensource.org/licenses/MIT). <|repo_name|>johanneswagner/ML_ML<|file_sep|>/ML-Engineer-Nanodegree/Project_1_Kaggle_House_Prices/data_analysis.py #!/usr/bin/env python2 # -*- coding: utf-8 -*- """ Created on Thu Apr 13 @author: johannes """ import pandas as pd import numpy as np import matplotlib.pyplot as plt data = pd.read_csv('kc_house_data.csv') print(data.head()) print(data.info()) print(data.describe()) print(data.corr()) print(data.corr()['price'].sort_values()) print(data.groupby('bedrooms')['price'].mean().sort_values()) print(data.groupby('waterfront')['price'].mean().sort_values()) print(data.groupby('view')['price'].mean().sort_values()) data.hist(bins=50, figsize=(20,15)) plt.show() def split_date(df): df['year'] = pd.to_datetime(df['date']).dt.year df['month'] = pd.to_datetime(df['date']).dt.month df['day'] = pd.to_datetime(df['date']).dt.day split_date(data) data.hist(bins=50, figsize=(20,15)) plt.show() corr_matrix = data.corr() corr_matrix['price'].sort_values(ascending=False) scatter_matrix(data[['price','sqft_living','grade','bathrooms','sqft_above']],figsize=(12,8)) plt.show() data.plot(kind='scatter',x='sqft_living',y='price') plt.axis([0,4000000,0,np.max(data['price'])]) plt.show() data.plot(kind='scatter',x='grade',y='price') plt.axis([np.min(data['grade']),np.max(data['grade']),0,np.max(data['price'])]) plt.show() data.plot(kind='scatter',x='bathrooms',y='price') plt.axis([0,np.max(data['bathrooms']),0,np.max(data['price'])]) plt.show() data.plot(kind='scatter',x='sqft_above',y='price') plt.axis([0,np.max(data['sqft_above']),0,np.max(data['price'])]) plt.show()<|repo_name|>johanneswagner/ML_ML<|file_sep|>/ML-Engineer-Nanodegree/Project_2_Fraud_Detection/fraud_detection.py #!/usr/bin/env python2 # -*- coding: utf-8 -*- """ Created on Wed Apr 25 @author: johannes """ import pandas as pd import numpy as np def load_data(): #Load transaction data from csv file into dataframe "df" df = pd.read_csv('creditcard.csv') #Separate features and labels into separate arrays "X" and "y" X = df.iloc[:,:-1].values y = df.iloc[:,-1].values return X,y def standardize(X): #Compute mean and standard deviation of each feature column in X mu = np.mean(X,axis=0) sigma = np.std(X,axis=0) #Standardize each feature column by subtracting its mean and dividing by its standard deviation X_std = (X - mu)/sigma return X_std,mu,sigma def split_data(X,y): #Split X and y into training and test sets using stratified shuffle split with test size of #10% and random state of seed for reproducibility from sklearn.model_selection import StratifiedShuffleSplit sss = StratifiedShuffleSplit(n_splits=1,test_size=0.1,random_state=seed) for train_index,test_index in sss.split(X,y): X_train,X_test,y_train,y_test=train_index,test_index return X_train,X_test,y_train,y_test def train_model(X_train,y_train): #Train logistic regression model with L2 regularization using class weight equal to 'balanced' #to account for class imbalance from sklearn.linear_model import LogisticRegression model = LogisticRegression(penalty='l2',class_weight='balanced') model.fit(X_train,y_train) return model def evaluate_model(model,X_test,y_test): #Compute accuracy score and confusion matrix on test set from sklearn.metrics import accuracy_score from sklearn.metrics import confusion_matrix y_pred=model.predict(X_test) acc_score=accuracy_score(y_test,y_pred) conf_matrix=confusion_matrix(y_test,y_pred) return acc_score,conf_matrix if __name__ == "__main__": #Set seed for reproducibility seed=12345 #Load transaction data into arrays "X" (features) and "y" (labels) X,y=load_data() #Standardize features in X X_std,mu,sigma=standardize(X) #Split standardized features into training and test sets X_train,X_test,y_train,y_test=split_data(X_std,y) #Train logistic regression model on training set model=train_model(X_train,y_train) #Evaluate trained model on test set acc_score,conf_matrix=evaluate_model(model,X_test,y_test) print("Accuracy score:",acc_score) print("Confusion matrix:") print(conf_matrix)<|repo_name|>johanneswagner/ML_ML<|file_sep|>/Intro_to_ML/Project_2_Principal_Component_Analysis/principal_component_analysis.py #!/usr/bin/env python2 # -*- coding: utf-8 -*- """ Created on Sat Jun 10 @author: johanneswagner """ import pandas as pd import numpy as np from scipy.stats import pearsonr from sklearn.decomposition import PCA from matplotlib import pyplot as plt def load_data(filename): """ Load dataset into dataframe Parameters: filename (string): name of file Returns: df (dataframe): dataset """ df=pd.read_csv(filename) return df def pca(df): """ Perform principal component analysis Parameters: df (dataframe): dataset Returns: pca (PCA object): fitted PCA object pcs (array): principal components explained_variance_ratio_ (array): explained variance ratio """ pca=PCA(n_components=None) pcs=pca.fit_transform(df) explained_variance_ratio_=pca.explained_variance_ratio_ return pca,pca.components_,explained_variance_ratio_ def plot_expl