勝率預測結果

最後本實驗採用的網路模型為：8-11-1 MLP，學習演算法為 Gradient Decent with Momentum Back-Propagation，訓練過程之參數設定為：η=0.9, β=0.6, MSE=0.01。每階 段的預測方法為將欲預測隊伍的平均輸入資料經由輸入層輸入到訓練過的網路，然後在 其輸出層的輸出值即為該隊的勝率，我們經由比較兩隊的勝率的大小即可得到勝敗關 係。預測第二階段到第五階段勝率的訓練過程如圖8 所示，橫軸代表 epochs，縱軸代表 MSE。

(a) 預測第二階段的訓練過程，共 21 筆訓練 資料.

(b) 預測第三階段的訓練過程，共 24 筆訓練 資料.

(c) 預測第四階段的訓練過程，共 26 筆訓 練資料.

(d) 預測第五階段的訓練過程，共 26 筆訓練 資料.

圖8. MLP 的 BP 的訓練過程圖.

預測第二階段到第五階段勝率的實驗結果列於表 5，表中列出的項目有：比賽階 段、比賽場次、比賽隊伍、網路輸出值、預測結果、比賽結果、預測是否正確、預測正 確率、及經計算後的參考賠率供參考。其中：

比賽階段：代表第二階段到第五階段的比賽階段。

比賽場次：代表官方網站賽程表上的比賽場次。

網路輸出值：為利用網路預測某球隊的勝率的輸出值。

預測結果：網路輸出值較高的為“W”，網路輸出值較低的為“L ”。

比賽結果：以官方提供的正規時間終了或加時賽時間終了的結果為結果，其為正規時間 及加時賽時間終了結束後兩隊仍然平手就視同此兩隊為平手，而不以PK 大 戰之後的勝負結果為結果。勝負關係符號為：

“W”代表勝，“D”代表平手，“L”代表敗。

預測是否正確：預測該場次比賽的勝負關係是否正確，正確為“Y”，不正確為“N”。

預測正確率：該階段比賽的預測正確率。

參考賠率：賠率的計算公式為：

Odds(Team A vs Team. B) ，其中 _A及 _B為兩隊的網路輸出值

A

B y y

y

= y

例如：

若Odds Team( A vs Team. B)=1:1.5，代表A 隊若獲勝則壓 1 賠 1.5。

從表4 的實驗結果中我們可以看出，本論文提出的倒傳遞多層感知器類神經網路用 於預測2006 年世界盃足球賽的結果，在第二階段到第五階段的預測正確率各為：

預測第二階段8 場的正確率：75% (6/8) 預測第三階段4 場的正確率：50% (2/4) 預測第四階段2 場的正確率：50% (1/2) 預測第五階段2 場的正確率：50% (1/2)

其中值得注意的是在預測第二階段勝出隊伍時的預測正確率可達75%，這樣的結果 跟一些所謂「專家預測」的結果來比是令人滿意且可以接受的，更何況足球比賽勝負的 預測在所有運動項目中是最難預測的一項，至於第三階段、第四階段、及第五階段的預 測正確率就僅有50% 。若是不分階段把所有預測的比賽場次全部加起來只看整體預測 正確率，那本研究提出的預測方法之正確率達到62.5% (10/16)，這樣的結果也是可接受

的。

表5. 第二階段到第五階段的預測結果表.