Python 张量流运动预测

我正试图在一个人工智能上工作，它可以构成可能的中奖赌注。然而，我不知道我应该如何处理人工智能的这种方式。例如，我制作了简单的人工智能，可以检测人类和动物之间的差异，但这一个要复杂得多

我应该使用哪种人工智能模型？我认为线性回归和K近邻在这种情况下不起作用。我正在尝试用神经网络做实验，但我对它们没有任何经验

把事情弄清楚一点

我有一个MongoDB，里面有赛程、联赛、国家队和预测 一场比赛包含两支球队、一个联赛id和一些其他值 联盟包含一个国家和更多的价值观 国家就是一个ID，例如SVG格式的国旗 预测是不同市场的集合*及其概率 市场=下注的一种方式，例如：主场赢、客场赢、两队得分

我还收集了一些关于哪个联盟的预测最准确的信息

我将如何着手创建这个人工智能。所有的数据都是一个非常体面的形式，我只是不知道如何开始。例如，使用什么AI模型，使用什么输入。此外，我将如何保存AI模型并使用进入MongoDB的新数据对其进行培训？我有多个cron作业在MongoDB中插入数据

注:

AI应该组成包含X个固定装置的赌注

---

因为没有正确的方法可以做到这一点，我将告诉你最通用的方法。 您首先要确定的是模型的目标：

你想分类的标签/目标是市场。为了简单起见，我建议你可以使用-1表示主场，0表示客场，1表示客场

数据清理：删除异常值、完成/插入缺失值等

特征提取：

使用一个热编码转换分类值。 将数字特征值在0~1之间标准化。 删除所有不相关的值：该值非常低 在整个数据集中或每个数据集中都有很高的熵 标签的名称。 尝试从原始数据中提取逻辑特征，这可能有助于分类器区分类。 使用例如互信息增益选择特征

尝试使用简单的模型作为简单的基础，如果你有更多的时间，你可以使用SVM模型。记住-没有免费午餐理论，也就是越少越好-总是喜欢简单的特性和模型

---

因为没有正确的方法可以做到这一点，我将告诉你最通用的方法。 您首先要确定的是模型的目标：

你想分类的标签/目标是市场。为了简单起见，我建议你可以使用-1表示主场，0表示客场，1表示客场

数据清理：删除异常值、完成/插入缺失值等

特征提取：

使用一个热编码转换分类值。 将数字特征值在0~1之间标准化。 删除所有不相关的值：该值非常低 在整个数据集中或每个数据集中都有很高的熵 标签的名称。 尝试从原始数据中提取逻辑特征，这可能有助于分类器区分类。 使用例如互信息增益选择特征

尝试使用简单的模型作为简单的基础，如果你有更多的时间，你可以使用SVM模型。记住-没有免费午餐理论，也就是越少越好-总是喜欢简单的特性和模型