कैसे एक मॉडल को ट्रांसफरमार्क से अधिक सटीक रूप से बनाया जाए और न ही भविष्यवाणी की जाए या जो सबसे अधिक ट्रांसफर की लागत को प्रभावित करता है

मैं आपको यह बताने की कोशिश करूँगा कि मशीन लर्निंग कोर्स के ट्यूटोरियल से डेटा के लिए पूरी तरह से मानक दृष्टिकोण लागू करने से दिलचस्प परिणाम प्राप्त करना कितना आसान है, जो डीप लर्निंग में सबसे अधिक उपयोग नहीं किया गया है। मेरी पोस्ट का सार यह है कि यह हम में से प्रत्येक हो सकता है, आपको बस जानकारी की सरणी को देखने की जरूरत है जिसे आप अच्छी तरह से जानते हैं। ऐसा करने के लिए, वास्तव में, तंत्रिका नेटवर्क की नवीनतम संरचनाओं में एक विशेषज्ञ होने के बजाय बस अपने डेटा को अच्छी तरह से समझना बहुत महत्वपूर्ण है। अर्थात्, मेरी राय में, हम DL के विकास में उस सुनहरे बिंदु पर हैं, जब एक तरफ यह पहले से ही एक उपकरण है जिसका उपयोग पीएचडी होने की आवश्यकता के बिना किया जा सकता है, और दूसरी तरफ यह अभी भी उन क्षेत्रों से भरा हुआ है जहां कोई वास्तव में ऐसा नहीं करता है, यदि आप देखते हैं पारंपरिक विषयों से थोड़ा आगे।

लेख पढ़ना और यह देखना कि मशीन सीखना कैसे विकसित होता है, आप और मैं आसानी से यह महसूस कर सकते हैं कि यह ट्रेन कैसे गुजर रही है। वास्तव में, यदि आप ओपन डेटा साइंस के एक ही उत्कृष्ट समुदाय से सबसे प्रसिद्ध पाठ्यक्रम (उदाहरण के लिए, एंड्रयू एनजी ) या हैबर के अधिकांश लेखों को लेते हैं , तो आप बहुत जल्दी महसूस करते हैं कि उच्चतर गणित में संस्थान के ज्ञान की स्मृति की गहराई से यहाँ कुछ नहीं करना है, ठीक है, कम से कम कुछ sane results (' टॉय ' उदाहरणों में भी) टेरी सिद्धांत और इसके कार्यान्वयन के विभिन्न तरीकों का अध्ययन करने के कई हफ्तों के बाद ही प्राप्त किया जा सकता है। लेकिन अक्सर आप एक और चाहते हैं, आप एक ऐसा उपकरण रखना चाहते हैं जो इसका कार्य करता है, जो समस्याओं की एक निश्चित श्रेणी को हल करता है, ताकि, इसे अपने क्षेत्र में लागू करने के बाद, परिणाम प्राप्त करें। वास्तव में, अन्य क्षेत्रों में सब कुछ ठीक है, यदि आप, उदाहरण के लिए, एक गेम लिखते हैं और आपका कार्य खिलाड़ी से सर्वर तक जानकारी के हस्तांतरण को सुनिश्चित करना है, तो आप ग्राफ़ के सिद्धांत का अध्ययन नहीं करते हैं, यह पता लगाने के लिए नहीं कि कनेक्टिविटी का अनुकूलन कैसे करें कि आपके पैकेट तेजी से पहुंचते हैं - आप टूल लेते हैं (पुस्तकालय, ढांचा) जो आपके लिए ऐसा करता है और इस बात पर ध्यान केंद्रित करता है कि किसी विशेष कार्य के लिए क्या विशिष्ट है (उदाहरण के लिए, आपको किस प्रकार की जानकारी को आगे और पीछे स्थानांतरित करने की आवश्यकता है)। गहन सीखने के लिए ऐसा क्यों नहीं है?

वास्तव में, अब हम उस समय के कगार पर हैं जब यह लगभग इस तरह का होता जा रहा है। और खुद के लिए, मैंने लगभग पाया कि ओह उपकरण - fast.ai. एक उत्कृष्ट पुस्तकालय और एक समान पाठ्यक्रम, जिसका पूरा सिद्धांत सिर्फ "टॉप-डाउन" बनाया गया है: पहले वास्तविक समस्याओं को हल करना, अक्सर स्टेट ऑफ़ द आर्ट मॉडल की भविष्यवाणी की सटीकता के स्तर पर, लाइब्रेरी की आंतरिक संरचना और इसके बारे में सिद्धांत के नीचे।

ज्ञान के इस तरह के सेट के साथ, मैंने एक ऐसे विषय पर डीएल लागू करने का फैसला किया, जिसे मैं खुद लंबे समय से दिलचस्पी लेता हूं और देखता हूं कि यह क्या कर सकता है। और, निश्चित रूप से, मेरे दिमाग में पहली चीज फुटबॉल थी। और जब मुझे केगल पर यह अद्भुत स्थानांतरण आँकड़े मिले, तो चुनाव सभी अधिक स्पष्ट हो गया।

इस डेटा के बारे में थोड़ा। उनके पास इस बारे में जानकारी है कि पिछले 10 वर्षों में यूरोपीय फुटबॉल में कौन और कहां स्थानांतरित हुआ है। क्लबों, खिलाड़ियों के आंकड़ों, लीगों के बारे में जानकारी है जिसमें वे भाग लेते हैं, कोच और एजेंट होते हैं, और बहुत कुछ (कुल मिलाकर सौ से अधिक विभिन्न क्षेत्र हैं)। डेटा बहुत दिलचस्प है, लेकिन क्या यह निर्धारित करना संभव है कि एक खिलाड़ी को उनसे कितना खर्च करना चाहिए?

यदि आप इसके बारे में सोचते हैं, तो एक खिलाड़ी की कीमत कारकों की एक बड़ी संख्या पर निर्भर करती है। उसी समय, यह बहुत अच्छा है, और मैं (यदि नहीं) तो उनका हिस्सा केवल गैर-औपचारिक है। यह कैसे समझें कि क्लब ने सिर्फ एक उच्च कीमत पर खिलाड़ी को बेचा है, उसे एक हमलावर की आवश्यकता है और इसके लिए ओवरपे करने के लिए काफी तैयार है; कैसे समझें कि एक नया कोच आया है और रोस्टर को अपडेट करने की आवश्यकता है; यह कैसे समझें कि क्लब के मुख्य रक्षक ने भव्य को देखा और वह स्थानांतरण की मांग करते हुए आधे-अधूरे मन से खेलने लगा? यह सब मूल रूप से लेनदेन की मात्रा को प्रभावित करता है, लेकिन डेटा में प्रस्तुत नहीं किया जाता है। उससे, इस तरह के पूर्वानुमान की सटीकता के बारे में मेरी शुरुआती उम्मीदें छोटी थीं।

आदर्श

मैंने $ 1 मिलियन से सस्ते स्थानान्तरण को छोड़कर शुरू किया, जो बहुत अराजक हैं। फिर उसने डेढ़ सौ क्षेत्रों के साथ सभी डेटा को एक बड़ी तालिका में ला दिया, जिसमें प्रत्येक हस्तांतरण के लिए उसके बारे में सभी जानकारी उपलब्ध थी (दोनों ही स्थानांतरण के बारे में, खिलाड़ी और उसके आंकड़े, साथ ही इसमें भाग लेने वाले क्लबों के बारे में, लीग आदि)। )।

आइए चरणों को देखें कि मैंने मॉडल कैसे बनाया:

हमने सभी पायथन आयातों को पूरा करने के बाद और डिफरेंशलाइज्ड ट्रांसफर टेबल को लोड किया, पहली चीज जिसे हमें निर्धारित करने की आवश्यकता है कि हम उन क्षेत्रों में से किसको संख्यात्मक मानेंगे और जो कि श्रेणीबद्ध हैं। यह अपने आप में एक बहुत ही दिलचस्प विषय है, आप इसके बारे में टिप्पणियों में बात कर सकते हैं, लेकिन समय बचाने के लिए, मैं सिर्फ उस नियम का वर्णन करता हूं, जिसका मैं उपयोग करता हूं: मैं, डिफ़ॉल्ट रूप से, सभी क्षेत्रों को श्रेणीबद्ध मानता हूं, केवल उन लोगों को छोड़कर जिन्हें फ्लोटिंग-पॉइंट नंबर के रूप में दर्शाया जाता है या वे जहां विभिन्न मूल्यों की संख्या काफी बड़ी है।

इस संदर्भ में, उदाहरण के लिए, मैं स्थानांतरण श्रेणी के वर्ष पर विचार करता हूं, हालांकि यह शुरू में एक संख्या है, क्योंकि विभिन्न मूल्यों की संख्या यहां छोटी है (10 - 2008 से 2018 तक)। लेकिन, उदाहरण के लिए, पिछले सीज़न में खिलाड़ी का प्रदर्शन (जो प्रति मैच उसके लक्ष्यों की औसत संख्या द्वारा दर्शाया गया है) एक फ़्लोट है और लगभग कोई भी मूल्य ले सकता है, इसलिए मैं इसे संख्यात्मक मानता हूं।

 cat_vars_tpl = ('season','trs_year','trs_month','trs_day','trs_till_deadline', 'contract_left_months', 'contract_left_years','age', 'is_midseason','is_loan','is_end_of_loan', 'nat_national_name','plr_position_main', 'plr_other_positions','plr_nationality_name', 'plr_other_nationality_name','plr_place_of_birth_country_name', 'plr_foot','plr_height','plr_player_agent','from_club_name','from_club_is_first_team', 'from_clb_place','from_clb_qualified_to','from_clb_is_champion','from_clb_is_cup_winner', 'from_clb_is_promoted','from_clb_lg_name','from_clb_lg_country','from_clb_lg_group', 'from_coach_name', 'from_sport_dir_name', 'to_club_name','to_club_is_first_team','to_clb_place', 'to_clb_qualified_to', 'to_clb_is_champion','to_clb_is_cup_winner','to_clb_is_promoted', 'to_clb_lg_name','to_clb_lg_country', 'to_clb_lg_group','to_coach_name', 'to_sport_dir_name', 'plr_position_0','plr_position_1','plr_position_2', 'stats_leag_name_0', 'stats_leag_grp_0', 'stats_leag_name_1', 'stats_leag_grp_1', 'stats_leag_name_2', 'stats_leag_grp_2') cont_vars_tpl = ('nat_months_from_debut','nat_matches_played','nat_goals_scored','from_clb_pts_avg', 'from_clb_goals_diff_avg','to_clb_pts_avg','to_clb_goals_diff_avg','plr_apps_0', 'plr_apps_1','plr_apps_2','stats_made_goals_0','stats_conc_gols_0','stats_cards_0', 'stats_minutes_0','stats_team_points_0','stats_made_goals_1','stats_conc_gols_1', 'stats_cards_1','stats_minutes_1','stats_team_points_1','stats_made_goals_2', 'stats_conc_gols_2','stats_cards_2','stats_minutes_2','stats_team_points_2', 'pop_log1p') 

फिर, स्पष्ट रूप से इंगित करने के बाद कि हम क्या भविष्यवाणी करेंगे - हस्तांतरण राशि ( fee ), हम अपने डेटा को 80% और 20% के 2 भागों में विभाजित करते हैं। उनमें से पहले पर हम अपने तंत्रिका नेटवर्क को सिखाएंगे, दूसरे पर - भविष्यवाणी की सटीकता की जांच करने के लिए।

 ln = len(df) valid_idx = np.random.choice(ln, int(ln*0.2), replace=False) 

अंतिम तैयारी के चरण में, हमें यह चुनाव करने की आवश्यकता है कि हम अपनी भविष्यवाणियों की संभाव्यता को कैसे मापेंगे। तब मैंने ब्रह्मांड के स्थानीय हिस्से में सबसे मानक मीट्रिक नहीं चुना - प्रतिशत त्रुटि का औसत ( MdAPE )। या, इसे और अधिक सरलता से कहें तो, कितने प्रतिशत (स्थानांतरण की पूर्ण कीमत परिमाण के आदेशों से भिन्न हो सकती है) सबसे अधिक संभावना है कि हम एक यादृच्छिक रूप से लिए गए हस्तांतरण की कीमत में गलती करेंगे। यह मेरे लिए निकटतम प्रतीत होता है कि वाक्यांश "अंतरण भविष्यवाणी प्रणाली की सटीकता" मेरे लिए क्या मायने रखती है।

अब, वास्तव में, नेटवर्क सीखना शुरू करना है।

 data = (TabularList.from_df(df, path=path, cat_names=cat_vars, cont_names=cont_vars, procs=procs) .split_by_idx(valid_idx) .label_from_df(cols=dep_var, label_cls=FloatList, log=True) .databunch(bs=BS)) learn = tabular_learner(data, layers=layers, ps=layers_drop, emb_drop=emb_drop, y_range=y_range, metrics=exp_mmape, loss_func=MAELossFlat(), callback_fns=[CSVLogger]) learn.fit_one_cycle(cyc_len=cycles, max_lr=max_lr, wd=w_decay) 

भविष्यवाणी सटीकता

Validation Error = 0.3492 मतलब है कि एक नए ( validation set , validation set ) डेटा सेट पर प्रशिक्षण के बाद, औसत (औसत) पर मॉडल वास्तविक हस्तांतरण मूल्य के सापेक्ष 34% गलत है। और हमने इसे केवल ट्यूटोरियल से ली गई कोड की कई लाइनों के परिणामस्वरूप प्राप्त किया।

34% त्रुटि, क्या यह बहुत या थोड़ा है? सब कुछ सापेक्ष है। एकमात्र तुलनीय स्रोत, जिसका डेटा स्थानांतरण राशि के " पूर्वानुमान " के रूप में लिया जा सकता है, ज़ाहिर है, हस्तांतरण चिह्न । सौभाग्य से, कग्गल के आंकड़ों में एक क्षेत्र है जो दिखाता है कि यह साइट हस्तांतरण के समय किसी खिलाड़ी को कैसे रेट करती है, और इसकी तुलना की जा सकती है। यहां यह ध्यान दिया जाना चाहिए कि ट्रांसफरमार्क ने कभी यह दावा नहीं किया कि उनके market value की संभावना हस्तांतरण मूल्य है। इसके विपरीत, उन्होंने जोर दिया कि यह एक या किसी अन्य खिलाड़ी का " ईमानदार मूल्य " है। और एक विशेष क्लब में एक विशेष क्लब इसके लिए कितना पैसा देगा, यह एक बहुत ही व्यक्तिगत चीज है और एक दिशा या दूसरे में बहुत विस्तृत सीमा में उतार-चढ़ाव कर सकता है। लेकिन यह हमारे पास सबसे अच्छा है, चलो तुलना करते हैं ।

Transfermarkt त्रुटि - 35% , हमारा मॉडल - 35% । बहुत अजीब और, ईमानदार होने के लिए, बहुत संदिग्ध।
इस बिंदु पर, मैं फिर से सोचने का प्रस्ताव करता हूं। एक विशाल इतिहास वाली साइट, केवल खिलाड़ियों के 'मूल्य' को दिखाने के लिए बनाई गई है, जो भीड़ के प्रभाव की पूरी शक्ति पर निर्भर है (यह दोनों सामान्य आगंतुकों और बाजार पेशेवरों की रेटिंग से मूल्य प्राप्त करता है) और एक तरफ विशेषज्ञों का ज्ञान, और मॉडल जो फ़ुटबॉल के बारे में कुछ नहीं जानता है, जो हमारे द्वारा दिए गए डेटा के अलावा कुछ भी नहीं देखता है (और वास्तविक दुनिया में इन आंकड़ों के बाहर अभी भी बहुत सारी चीजें हैं जो ट्रांसफरमार्क वाले लोग खाते में लेते हैं), दूसरे पर, वे एक ही त्रुटि दिखाते हैं । इसके अलावा, हमारा मॉडल खिलाड़ी के किराये की कीमत की भविष्यवाणी करने की भी अनुमति देता है, जिसका market value , स्पष्ट कारणों के लिए, इस तरह के लेनदेन को ध्यान में नहीं रखता है (ट्रांसफरमार्क का परिणाम और भी खराब था )।

ईमानदारी से, मुझे अभी भी लगता है कि यहाँ मेरी किसी तरह की गलती है, सब कुछ सच होना बहुत अच्छा है। लेकिन, फिर भी, आगे चलते हैं।

अपने आप को परखने का एक आसान तरीका 2 स्रोतों (मॉडल और ट्रांसफरमार्क) से भविष्यवाणियों को औसत करने की कोशिश करना है। यदि भविष्यवाणियां वास्तव में एक दूसरे से स्वतंत्र हैं और कोई कष्टप्रद गलती नहीं है, तो परिणाम में सुधार होना चाहिए।

वास्तव में, औसत पूर्वानुमान 32% (!) की भविष्यवाणी की त्रुटि को कम करता है। यह थोड़ा लग सकता है, लेकिन हमें यह समझना चाहिए कि हम डेटा से कुछ और जानकारी फ़िल्टर कर रहे हैं, जो कि अधिकतम तक निचोड़ा हुआ है।

लेकिन हम आगे क्या करेंगे, मेरी राय में, और भी अधिक आश्चर्यजनक और दिलचस्प है, हालांकि यह fast.ai ट्यूटोरियल के दायरे से परे है।

फ़ीचर महत्व

तंत्रिका नेटवर्क, यह कहने के लिए नहीं कि यह पूरी तरह से अवांछनीय है, अक्सर "ब्लैक बॉक्स" माना जाता है। हम जानते हैं कि हम वहां कौन सा डेटा डाल सकते हैं, हम मॉडल की भविष्यवाणियां कर सकते हैं, हम यह भी आकलन कर सकते हैं कि इसकी भविष्यवाणी औसतन कितनी सही है। लेकिन हम यह नहीं समझा सकते हैं कि इस या उस निर्णय से मॉडल "किस मापदंड" पर चलता है। नेटवर्क की आंतरिक संरचना ही इतनी जटिल है, और इससे भी महत्वपूर्ण बात यह है कि यह गैर-रेखीय है, जिससे संपूर्ण निर्णय लेने की श्रृंखला को सीधे ट्रेस करना और वहां से वास्तविक दुनिया से महत्वपूर्ण निष्कर्ष निकालना असंभव है। लेकिन वास्तव में करना चाहते हैं। मैं यह समझना चाहता हूं कि स्थानांतरण राशि का सबसे अधिक क्या प्रभाव पड़ता है।

खैर, हम नेटवर्क के अंदर नहीं चढ़ पाए। लेकिन प्रत्येक क्षेत्र का महत्व क्या है, आइए इसे फीचर महत्व (FI) कहते हैं? 'महत्व' को समझने का एक विकल्प यह गणना करना है कि अगर हमारे पास यह क्षेत्र नहीं है तो चीजें कितनी बदतर हो जाएंगी। और यह ठीक वही है जो हम माप सकते हैं। अब हमारे पास एक उपकरण है जो किसी भी डेटा सेट पर पूर्वानुमान प्रदान करता है। इसलिए, यदि हम गणना करते हैं कि जब हम क्षेत्र में यादृच्छिक डेटा को प्रतिस्थापित करते हैं तो भविष्यवाणी की त्रुटि कितनी बढ़ जाएगी, तो हम केवल यह अनुमान लगा सकते हैं कि यह (फ़ील्ड) अंतिम परिणाम को कितना प्रभावित करता है, जिसका अर्थ है कि यह कितना महत्वपूर्ण है। डेटा के वास्तविक वितरण के भीतर बने रहने के लिए, फ़ील्ड को न केवल यादृच्छिक संख्याओं से भरा जाएगा, बल्कि इसके यादृच्छिक रूप से मिश्रित मूल्यों के साथ (यानी, हम केवल कॉलम को मिलाएंगे, उदाहरण के लिए, 'स्थानांतरण का वर्ष', मूल तालिका में)। निष्ठा के लिए, इस प्रक्रिया को परिणाम के औसत से प्रत्येक क्षेत्र के लिए कई बार किया जा सकता है। सब कुछ काफी सरल है। अब देखते हैं कि यह परिणाम कैसे देता है:

मेरी आंत कहती है: 'हाँ और नहीं!'

एक तरफ, जिन फ़ील्ड्स को आप वहां देखने की उम्मीद करते हैं, वे शीर्ष पर थे: टीम के कोच कहाँ से और कहाँ from_coach_name खिलाड़ी गए ( from_coach_name , to_coach_name ), वे क्लब जो खुद ट्रांसफर में भाग लेते थे ( from_club_name , to_club_name ), खिलाड़ी का एजेंट ( plr_player_agent ), उसकी प्रसिद्धि), सोशल pop_log1p आदि लेकिन दूसरी ओर ... सहज रूप से, ऐसा नहीं लगता है कि कोचों के नामों का हस्तांतरण मूल्य में अधिक वजन होना चाहिए, उदाहरण के लिए, क्लब खुद (हम अच्छी तरह से जानते हैं कि सशर्त बेनफिका अपने खिलाड़ियों को महंगा बेचने में सक्षम है)। क्या कोच का ब्रांड क्लब के ब्रांड की तुलना में अधिक मजबूती से कीमत को प्रभावित कर रहा है। क्या क्लब को ओवरपे करने के लिए सशर्त मंचिनी का आगमन इतना मजबूर कर रहा है? यह क्या है, मामला जब डेटा हमें नया, थोड़ा प्रतिवाद, सूचना या मॉडल में सिर्फ एक त्रुटि देता है?

चलो ठीक है। चार्ट पर एक करीबी नज़र के साथ, आंख जल्दी से एक अजीब चीज से चिपक जाती है। केंद्र के ठीक नीचे 2 trs_year और season फ़ील्ड trs_year , वे हस्तांतरण के वर्ष का प्रतिनिधित्व करते हैं और जिस मौसम में संक्रमण किया जाएगा (सामान्य तौर पर, वे मेल नहीं खा सकते हैं, हालांकि ऐसा अक्सर नहीं होता है)। सबसे पहले, ऐसा लगता है कि उन्हें अधिक होना चाहिए, हम जानते हैं कि हाल के वर्षों में फुटबॉल खिलाड़ियों की कीमतें कितनी बढ़ी हैं, और दूसरी बात, वे स्पष्ट रूप से एक ही चीज़ के बारे में मतलब रखते हैं। इसके बारे में क्या करना है? बस उनके महत्व को संक्षेप में बताएं? तथ्य यह नहीं है कि यह किया जा सकता है! लेकिन जो हम निश्चित रूप से कर सकते हैं, वही दृष्टिकोण (मूल्यों को मिलाते हुए) को इन दोनों क्षेत्रों के लिए अलग-अलग नहीं, बल्कि एक समूह के रूप में लागू करें। यही है, मापें कि त्रुटि कैसे बदल जाएगी यदि इन 2 कॉलमों में एक साथ यादृच्छिक मान हैं। खैर, जब से हम वर्षों से ऐसा कर रहे हैं, हमें यह देखने की जरूरत है कि क्या हमारे पास अन्य क्षेत्र भी हैं जो 'जुड़े हुए' हैं।

उदाहरण के लिए, एक क्लब के लिए, हमारे पास कई पैरामीटर हैं: क्लब खुद ( club_name ), साथ ही इसके बारे में जानकारी का एक सेट - जिसमें से लीग, देश, आदि। ( club_is_first_team , clb_lg_name , clb_lg_country , clb_lg_group )। केवल कुछ मामलों में हम यह जानने में रुचि रखते हैं कि यह कीमत को कितना प्रभावित करता है, उदाहरण के लिए, खिलाड़ी अलग से जाता है ( clb_lg_country ), सबसे अधिक बार हमारे लिए यह समझना महत्वपूर्ण है कि 'क्लब' क्षेत्र का कुल वजन क्या है, जो पहले से ही एक निश्चित देश, लीग, आदि में है। ।

इस प्रकार, हम सभी क्षेत्रों को शब्दार्थ सामग्री के अनुसार समूहों में जोड़ सकते हैं। यह हमें विषय क्षेत्र और सामान्य ज्ञान के ज्ञान के साथ-साथ सुविधाओं की गणना 'निकटता' के रूप में भी मदद करेगा। उत्तरार्द्ध केवल यह दर्शाता है कि क्षेत्र एक दूसरे के साथ कैसे सहसंबंध रखते हैं, अर्थात, उन्हें एक समूह के रूप में मानना ​​कितना संभव है।

इस दृष्टिकोण को लागू करते हुए, हम क्षेत्रों के महत्व का और भी अधिक सहज ज्ञान युक्त ग्राफ प्राप्त करते हैं:

वहां तुम जाओ। वास्तव में क्लब जो खिलाड़ी खरीदता है वह बहुत अच्छे मार्जिन के साथ हस्तांतरण राशि को सबसे अधिक प्रभावित करता है। हाय मैन सिटी, बार्सिलोना, ज़ीनत और, उदाहरण के लिए, एक ही बेनफिका (आखिरकार, " दृढ़ता से प्रभावित करता है " यह भी तथ्य है कि कुछ क्लब, इसके विपरीत, "बाजार" की तुलना में सस्ती गुणवत्ता वाले खिलाड़ियों को खरीदने में सक्षम हैं)। मुझे ऐसा लगता है कि डेटा के साथ काम करने में सबसे दिलचस्प बात यह है कि जब इसे प्राप्त किया जाता है, तो निष्कर्ष एक तरफ स्पष्ट होता है (ठीक है, मुझे संदेह था कि क्लब-खरीदार का हस्तांतरण राशि पर सबसे शक्तिशाली प्रभाव था), और दूसरी ओर, यह थोड़ा आश्चर्यचकित करता है (और पहले के लिए उम्मीदवार) जगह, सहज रूप से, कुछ हद तक हो सकती है, और दूसरे से अलग होना इतना महत्वपूर्ण नहीं लगता)

अभी भी बहुत सी रोचक चीजों की खोज करना बाकी है। उदाहरण के लिए, कोच का नाम जहां से खिलाड़ी खरीदा जाता है, मॉडल के दृष्टिकोण से, अभी भी क्लब की तुलना में अधिक महत्वपूर्ण है ... अंतर को बहुत कम होने दें। इसके लिए एक तार्किक व्याख्या सिद्धांत रूप में पाई जा सकती है (हालांकि कभी-कभी यह किसी भी चीज के लिए पाया जा सकता है)। कोच (गार्डियोला, क्लॉप, बेनिटेज़, बर्डेव) हैं जो विभिन्न क्लबों में खेल की एक निश्चित विचारधारा का पालन करते हैं, जो बेहतर खुलासा करता है या इसके विपरीत क्षेत्र में कुछ पदों को कम उज्ज्वल बनाता है, और खिलाड़ी की दृश्यता इसकी कीमत को काफी प्रभावित करती है। क्लबों के बारे में, इसलिए बोलना लगभग असंभव है। और तथ्य यह है कि हम ऐसे कोच देखते हैं जो खेल के अपने सिद्धांतों से मौलिक रूप से प्रस्थान नहीं कर रहे हैं जो क्लब बदलते कोचों की तुलना में बहुत अधिक हैं, लेकिन एक ही दर्शन के भीतर शेष हैं (उदाहरण के लिए, ऑफहैंड, सिवाय इसके कि अजाक्स दिमाग में आता है और बार्सिलोना बहुत ही संदिग्ध है) शायद, कुछ प्रबंधक क्लबों की तुलना में खिलाड़ियों को अधिक स्थिर बताते हैं। हालांकि यहां मैं अपने बयान पर जोरदार पकड़ नहीं रखूंगा।

विशुद्ध रूप से सांख्यिकीय संकेतकों में, उच्चतम राशि एक खिलाड़ी द्वारा अपनी मुख्य प्रतियोगिता में पिछले साल मैदान पर बिताए गए समय की राशि है ( stats_minutes_0 )। यह बिल्कुल तर्कसंगत है, क्योंकि यह खिलाड़ी पिछले सत्र में अपने क्लब में "मुख्य" कितना था, ऐसा लगता है कि यह दूसरों की तुलना में उसकी सफलता का अधिक सार्वभौमिक सांख्यिकीय संकेतक है - उदाहरण के लिए, जितने गोल किए गए या कार्ड प्राप्त हुए।

प्लेयर की लोकप्रियता ( pop_log1p ) 8 सबसे महत्वपूर्ण मापदंडों के इस समूह को बंद कर देती है। यह याद रखने योग्य है कि हमने जो डेटा पिछले 10 वर्षों से प्रस्तुत किया है। मुझे लगता है कि यदि हम पिछले 5 वर्षों से विचार कर रहे हैं, तो इस क्षेत्र का महत्व अधिक होगा, और पिछले दशक में औसत मूल्य के लिए यह पूरी तरह से समझ में आने वाला परिणाम है, खासकर अगर हम अगली जगह से अंतर को ध्यान में रखते हैं।

ठीक है, आखिरी चीज जिस पर मैं ध्यान आकर्षित करना चाहूंगा, वह है एजेंट क्षेत्र ( plr_player_agent ) का महत्व। मैं इसे बिना किसी टिप्पणी के छोड़ दूंगा, क्योंकि यदि आप एजेंटों की (अन) आवश्यकता के बारे में विवादों में प्रतियों के मार्जिन को तोड़ सकते हैं, तो आधुनिक हस्तांतरण बाजार पर उनके प्रभाव की डिग्री के बारे में कोई संदेह नहीं है (हालांकि मॉडल का सुझाव है कि इसे कम मत समझना।)

वैसे, विश्लेषण की इस पद्धति में शायद सबसे दिलचस्प बात इसकी पहुंच है: मापदंडों के महत्व के बारे में जानकारी प्राप्त करने के लिए " आदर्श " मॉडल बनाना आवश्यक नहीं है। कई मामलों में, यह पर्याप्त है कि यह केवल बहुत कम से कम भविष्यवाणी करता है, एक सिक्का उछालने से सांख्यिकीय रूप से काफी अलग है, और आपको पहले से ही परिणाम मिलेंगे जिसमें अक्सर दिलचस्प अंतर्दृष्टि होती है या आपको यह बताता है कि आप किस पक्ष से डेटा देख सकते हैं।

फिर इसे बंद करने का समय आ गया है, ताकि इस तरह के अतिभारित पाठ को न बढ़ाया जा सके। बिदाई में, मैं एक बार फिर से उन सभी लोगों से आग्रह करना चाहूंगा कि वे इस विषय में रुचि रखते हैं (सबसे अच्छा, मेरी राय में, शुरुआती लोगों के लिए) डीप लर्निंग कोर्स - fast.ai और अधिग्रहीत ज्ञान को 'अपनी विशेषज्ञता के क्षेत्र' में लागू करें, संभावना है कि आप वहां पहले होंगे :)

और यदि आप इसे पसंद करते हैं, तो मैं अपने प्रयोगों के बारे में पाठ के दूसरे भाग में महारत हासिल करने की कोशिश करूंगा, जिसमें समान रूप से शक्तिशाली उपकरण का उपयोग करने वाला मॉडल - आंशिक निर्भरता आपको बताएगी: कौन सा एजेंसी का ग्राहक फुटबॉल खिलाड़ी बनने के लिए सबसे अच्छा है, किन क्लबों में सबसे प्रभावी स्थानांतरण नीति है, कौन सा कोच सबसे अच्छा बढ़ता है खिलाड़ियों की लागत (स्पष्ट उम्मीदवारों के अलावा, बहुत सारे प्रचारित 'ब्रांड' स्पष्ट रूप से देखने लायक नहीं हैं) और भी बहुत कुछ।

भाग 2 - फुटबॉल हस्तांतरण का मॉडल: गहरी खुदाई