前言
之前搞足球数据分析的时候，会通过一些预设条件去筛选比赛，比如当前比分是0-0，射门数>10并且射正数>2，盘口为1，那么筛选出来就是大球，反之则是小球，这种逻辑条件就是跟决策树差不多的算法模式，所以尝试用CART算法（决策树的一种算法），看一下这种去分析大小球胜率都能达到多少，再结合随机森林算法，胜率又能达到多少？这篇文章大概讲叙了决策树的算法实现过程。
一、决策树是什么？
决策树是一种树形模型，也是一种十分常用的分类和回归方法。决策树算法是一种监督学习算法，英文是Decision tree。决策树思想的来源非常朴素，程序设计中的条件分支结构就是 if-else 结构，最早的决策树就是利用这类结构分割数据的一种分类
学习方法。
l 是一种树形结构，本质是一颗由多个判断节点组成的树
l 其中每个内部节点表示一个属性上的判断，
l 每个分支代表一个判断结果的输出，
l 最后每个叶节点代表一种分类结果。
用最简单的话来说，就是根据你自己的条件，告诉模型正确的结果，比如射门数>10，是大球，反之就是小球，当然不可能这么简单，这里还包含很多特征数
据，以及特征的增熵。
二、数据收集与整理
1.数据收集
这里引用第三方网站的数据
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
import warnings
warnings.filterwarnings('ignore')
import ssl
ssl._create_default_https_context = ssl._create_unverified_context
2.数据清洗
代码如下（示例）：
'https://labfile.oss.aliyuncs.com/courses/1283/adult.data.csv')
print(data.head())
3.特征选择
我们选择以下特征来构建决策树：
l 主队进球数
l 客队进球数
l 比赛时间（简单划分为早期、中期、后期）
l 射门次数
l 射正次数
但由于简化示例的限制，我们将只使用“主队进球数 +
客队进球数”这一复合特征，并假设阈值设为2.5球（即总进球数大于等于3为大球，否则为小球）。
三、决策树构建
3.1绘制训练数据图像
import numpy as np import matplotlib.pyplot as plt from sklearn import datasets iris = datasets.load_iris() X = iris.data[:,2:] y = iris.target plt.scatter(X[y==0,0],X[y==0,1]) plt.scatter(X[y==1,0],X[y==1,1]) plt.scatter(X[y==2,0],X[y==2,1]) plt.show()
l 绿色为大球、橙色为走水、蓝色为小球
from sklearn.tree import DecisionTreeClassifier tree = DecisionTreeClassifier(max_depth=2,criterion="entropy") tree.fit(X,y)
3.3 依据模型绘制决策树的决策边界
#找到模型的决策边界，并绘制图像(此方法所用到的api不需要掌握，能够调用就行)
def plot_decision_boundary(model,axis): x0,x1 = np.meshgrid( np.linspace(axis[0],axis[1],int((axis[1]-axis[0])*100)).reshape(-1,1), np.linspace(axis[2],axis[3],int((axis[3]-axis[2])*100)).reshape(-1,1) ) X_new = np.c_[x0.ravel(),x1.ravel()] y_predict = model.predict(X_new) zz = y_predict.reshape(x0.shape) from matplotlib.colors import ListedColormap custom_map = ListedColormap(["#EF9A9A","#FFF59D","#90CAF9"]) plt.contourf(x0,x1,zz,linewidth=5,cmap=custom_map) plot_decision_boundary(tree,axis=[0.5,7.5,0,3]) plt.scatter(X[y==0,0],X[y==0,1]) plt.scatter(X[y==1,0],X[y==1,1]) plt.scatter(X[y==2,0],X[y==2,1]) plt.show()
3.4 树模型可视化
from sklearn.tree import plot_tree import matplotlib.pyplot as plt plot_tree(tree,filled=True) plt.show()
从上面的可视化图形中看出
X[1] <=0.8 作为第一次分割的依据，满足条件的所有样本均为统一类别
X[1]>0.8的，依据 X[1]<=0.75 为划分依据
由于设置了树的最大深度为2，第二层的两个叶子节点没有完全区分开
决策树算法：
l ·是非参数学习算法
l ·可以解决分类（多分类）问题
l ·可以解决回归问题：
l ·落在叶子节点的数据的平均值作为回归的结果
四、模型预测
将实时采集的滚球数据喂到大模型中
from sklearn.preprocessing import LabelEncoder
encoding = LabelEncoder()
home_team = encoding.fit_transform(dataset["Home Team"].values)
visitor_team = encoding.fit_transform(dataset["Visitor Team"].values)
# 抽取所有比赛的主客场球队的球队名（已转化为数值型）并将其组合（在NumPy中叫作“stacking”，是向量组合的意思）起来，形成一个矩阵
x_team = np.vstack([home_team, visitor_team]).T
# 使用OneHotEncoder转换器把这些整数转换为二进制数字
from sklearn.preprocessing import OneHotEncoder
onehot = OneHotEncoder()
x_teams_expanded = onehot.fit_transform(x_team).todense()
clf = DecisionTreeClassifier(random_state=14)
scores = cross_val_score(clf, x_teams_expanded, y_true, scoring='accuracy')
print("The accuracy of 'x_teams_expanded' is {0:1f}%".format(np.mean(scores) * 100))结果如下，大概60%的胜率，说明效果还行。后续用随机森林优化算法
五、随机森林模型
过程太长，这里直接上部门代码
# 使用GridSearchCV搜索最佳参数
parameter_space = {
'max_features': [2, 10, 'auto'],
'n_estimators': [10, ],
'criterion': ['gini', 'entropy'],
'min_samples_leaf':[2, 4, 6],
}
grid = GridSearchCV(clf, parameter_space)
grid.fit(x_specific_team, y_true)
print("The accuracy of specific_team after GridSearchCV is {0:.1f}%".format(grid.best_score_ * 100))
grid.fit(x_all, y_true)
print("The accuracy of x_all after GridSearchCV is {0:.1f}%".format(grid.best_score_ * 100))
可以看到，增加了随机森林算法之后，胜率又提高了一点
总结
这里只是简单的写了大概的方法，具体实现还是很复杂的，包括特征数据的选取，以及各种模型算法的调优。还要按照联赛
去区分训练数据，因为你不同的联赛数据是不可比的，小联赛进球数可能达到10个以上，但是大联赛，进球数可能才几
个，所以我们是根据分了联赛数据和公共数据的训练集，目前这两种算法结合的话，目前跑过最高的联赛应该是可以去到
80%左右，效果还可以。当然有些联赛暂时可能也只能去到65%。
1、AiAutoPrediction-基于泊松大模型足球数据分析软件
http://lcsjfx.com/AiAutoPrediction/
2、SoccerPredictor-基于决策树大模型足球数据分析软件
http://lcsjfx.com/SoccerPredictor/
