mlb stat的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列問答集和資訊懶人包

使用機器學習與深度學習預測MLB比賽勝負

為了解決mlb stat的問題，作者李昀芝 這樣論述：

美國職棒大聯盟(Major League Baseball，簡稱MLB)是世界上水準最高的職業棒球比賽，也是最受歡迎的國際運動賽事之一，比賽動向備受關注，並且帶動運動博彩的盛行，因此預測棒球比賽勝負成為熱門議題。許多學者投入比賽勝負預測的研究領域，相較於其他球類比賽，棒球的預測準確率偏低。本研究將分成兩部分，預測當場與預測下場比賽勝負，運用深度學習及機器學習來建立MLB比賽勝負之預測模型，並探討其模型性能之差異。第一部分：蒐集MLB之2019年賽季30支隊伍的比賽數據，並整理成2個資料庫來分別進行預測當場比賽勝負，資料庫1使用打擊+先發投手+主客隊等變數項，資料庫2為打擊+全體投手+主客隊等

變數項；第二部分：蒐集MLB之2015-2019年賽季30支隊伍的比賽數據，共整理成30個資料庫，將數據進行累加之後，來分別預測下場比賽勝負。方法使用深度學習的一維卷積神經網路(One-dimensional Convolutional Neural Network，簡稱1DCNN)；與傳統機器學習的人工神經網路(Artificial Neural Networks，簡稱ANN)、支持向量機(Support Vector Machine，簡稱SVM)、邏輯斯迴歸(Logistic regression，簡稱LR)來做比較，並且皆使用5倍交互驗證來評估模型性能。第一部分的預測當場比賽勝負結果：由

資料庫2獲得較高的平均預測準確率，無特徵選取直接將原始數據投入四個模型預測比賽勝負，由ANN獲得最佳預測準確率(94.12%)；特徵選取後再投入三個模型，由SVM得到最佳準確率(92.20%)，而1DCNN藉由自動特徵提取獲得最佳預測準確率(93.40%)，預測結果比SVM還要高，根據預測結果顯示，本研究率先使用的1DCNN可以不需要特徵選取的過程，也幾乎能得到與機器學習一樣好的分類準確率。第二部分的預測下場比賽勝負結果：四個預測模型中，SVM在無特徵選取與有特徵選取的情況下，皆獲得較高的預測準確率，分別為64.38%和63.36%，本研究藉由變數選擇與模型參數調整，將預測性能提升至60%以上

，相比其他相關文獻提高了預測準確率。

基於迴歸模型探討影響職業賽事球迷進場數之研究─以美國職棒中區為例

為了解決mlb stat的問題，作者蔡易辰 這樣論述：

美國職棒發展至今已超過百年，如今已是一個具有30支球隊的商業聯盟，票房收入則是支持整個聯盟的關鍵，而觀眾數則會直接影響到整體的票房收入，因此探討影響觀眾數變化的因素對於職業球團而言即是一個重要的課題。 本研究旨在探討並找出可能影響美國職棒賽事觀眾數的因素，取2012年至2019年共8年的數據以觀眾數為中心，搭配三種類型的研究變數，分別為地理統計變數、球團相關變數以及團隊成績變數。研究中以球迷分布圖（Fanbase map）作為資料統計區，再將年度資料以每年4月1日至7月31日、8月1日至8月31日以及9月1日至10月第一周分為三個時間段，與年度資料各別進行多元迴歸分析建立出四個模型。研究除

了找出有哪些因素對觀眾數具影響力外，更要比較不同時間區段所劃分出的四個模型之間影響變數會出現什麼樣的差異。 分析結果顯示，在討論觀眾數變化時，人均收入、白人人口比例、鄰近職業球隊數以及團隊薪資是重要的影響指標，其中前三者呈現顯著負相關，團隊薪資則呈現顯著正相關。此外會發現不同時間中變數的顯著性會產生變化，鄰近職業球隊數於4月1日至7月日31之間呈現不顯著，而其餘時間段皆呈現顯著負相關，表示我們在討論觀眾數的變化時，不只要考慮變數的性質，更要討論變數在時間上的差異。 本研究除了呈現影響觀眾數的變數外，更可以根據分析結果對球團經營方向和未來研究提出建議，以供球團或後續研究者一個參考依據。