C#.NET开源项目、机器学习、Power BI

简介:

          本博客所有文章分类的总目录:http://www.cnblogs.com/asxinyu/p/4288836.html 

开源C#彩票数据资料库系列文章总目录http://www.cnblogs.com/asxinyu/p/4329642.html 

  本篇文章开始将逐步介绍使用C#搭建足球赛事资料库与预测平台的相关细节。还是先从数据库开始,从本文开始将逐步对每个核心实体类和数据库设计相关的内容进行讲解,并公布源代码,至于能不能跑起来,看的看个人努力。由于没有时间将所有相关业务都简述清楚,所以也只好将需求和表设计一起进行。本人也是走了很多弯路的。考虑到系统数据表很多,按照功能不同,分为基础数据表,比赛相关表,赔率相关表,以及特殊数据表4个部分分别进行讲解,请大家关注博客。

  今天要关注就是核心的赔率指数表,由于赔率指数表的内容比较多,所以将分为2篇来进行。赔率指数是赛事预测的重要参考条件,虽然有一定的随机因素,但是根据长期的分析和统计,赔率还是具有很强的指导性。所以赔率指数数据库的设计也尤为重要。一方面要考虑到日益增长的赔率数据越来越多,需要确保查询分析的速度;另外一方面赔率的类型比较复杂,设计要比较合理,才能在后续的统计分析和预测模型中方便使用。今天先介绍常规的赔率指数表的设计,主要是胜平负指数,大小盘,半全场,总进球,比分指数的数据库设计。

本文原文地址:http://www.cnblogs.com/asxinyu/p/4476287.html

1.不得不说的XCode泛型基类

  2年前刚学会XCode的时候,对XCode研究比较多,总结过一篇文章:关于泛型基类的相关知识,其中对XCode的泛型基类的作用和用法做了一个初步的概述,这些年用XCode做过很多小玩具,但由于项目太小,基本很难用得上泛型基类,因为要求有一些公共的字段才比较有用。这次的赔率指数数据表由于表的结构很多字段都相同,才想到用这个东西,的确简单方便了很多,逻辑也很清晰。非常给你。具体的思想参考上面那篇文章,这里只给出一个泛型基类,继承的截图,以后在代码中再着重介绍。

上面是泛型基类,实际的指数表,会进行继承,这样公共的查询方法就只需要写一次就OK了:

具体的暂时就不过多展开了,好好看那篇总结文章,应该会有收获。所以我们先看看泛型基类对应的表的结构

2.泛型基类的表结构

  泛型基类不直接对应表,是作为一个实体基类,为了节省后面的空间,因为所有的指数信息表都要继承该类,所以基类的公共字段在这里发布出来,后面的相关表就直接只写独有的字段,公共字段就省略掉了。主要就是公司名称和赛事名称,场次编号以及时间这些公共信息。

编号

字段名

类型

长度

描述

备注

1

Id

int

10

编号

自增主键

2

CompanyID

int

10

公司编号

 

3

CompanyName

nvarchar(20)

20

公司名称

 

4

EventName

nvarchar(20)

20

赛事名称

分库用

5

MatchID

int

10

场次编号

索引

6

UpdateTime

datetime

3

更新时间

 

3.胜平负指数表

  以前版本将胜平负赔率指数称为欧赔指数,不太准确,这一版本统一改为胜平负指数,指数记录都是指某个赔率公司对某场比赛开出的赔率。胜平负指数的主要内容主要胜平负的赔率和赔率开出的相关信息,如公司,时间,赛前间隔等。也是按照 公司+联赛 进行分库的。看看基本的表结构,注意基类字段省略了: 

编号

字段名

类型

长度

描述

备注

7

TimeInterval

float

53

赛前间隔

 

8

Odds3

float

53

主胜赔率

 

9

Odds1

float

53

主平赔率

 

10

Odds0

float

53

主负赔率

 

11

LossRatio

float

53

赔付率

 

12

KellyIndex3

float

53

凯利指数3

 

13

KellyIndex1

float

53

凯利指数1

 

14

KellyIndex0

float

53

凯利指数0

 

15

KellyVar3

float

53

凯利方差3

 

16

KellyVar1

float

53

凯利方差1

 

17

KellyVar0

float

53

凯利方差0

 

4.半全场指数表

  半全场指数和胜平负指数类似,只不过一个是半场+全场,1个是全场的结果,结果可能性多了,所以赔率肯定是要高的。当然这个玩法还是比较有趣的,有时间再细说。半全场指数表的开盘公司是非常多,但由于数据源的关系,个人能力有限,所以可用的公司没有胜平负赔率那么多,但是这也没关系,有几家就足够了,所以也进行了分库。看看基本结构,注意基类字段省略了:  

编号

字段名

类型

长度

描述

备注

7

Odd33

float

53

胜胜

 

8

Odd31

float

53

胜平

 

9

Odd30

float

53

胜负

 

10

Odd13

float

53

平胜

 

11

Odd11

float

53

平平

 

12

Odd10

float

53

平负

 

13

Odd03

float

53

负胜

 

14

Odd01

float

53

负平

 

15

Odd00

float

53

负负

 

5.大小盘指数表

  大小盘国彩的竞彩以及北单暂时都没有大小盘,但考虑到数据的完整性,本项目还是采集了大小盘的数据,和前面的结构类型,也是分库进行。结构很简单:

编号

字段名

类型

长度

描述

备注

7

TimeInterval

float

53

赛前间隔

 

8

Handicap

float

53

盘口

 

9

Big

float

53

大球赔率

 

10

Small

float

53

小球赔率

 

11

LossRatio

float

53

赔付率

 

6.总进球指数表

  总进球玩法目前国彩是有的,目前是0-7+,和国外的差不多,所以这个数据还是比较有用的,唯一遗憾的是,数据源中总进球的开盘公司基本只有几家。不管怎么样,先采集再说。这个表的结构不仅包括了国彩的情况,还包括了区间的情况,以及单双进球的赔率。所以功能比较多,根据实际的数据源使用:

编号

字段名

类型

长度

描述

备注

7

Odd0

float

8

0球

 

8

Odd1

float

8

1球

 

9

Odd2

float

8

2球

 

10

Odd3

float

8

3球

 

11

Odd4

float

8

4球

 

12

Odd5

float

8

5球

 

13

Odd6

float

8

6球

 

14

Odd7

float

8

7球

 

15

Odd01

float

8

0-1球

欧赔用

16

Odd23

float

8

2-3球

欧赔用

17

Odd46

float

8

4-6球

欧赔用

18

OddSingle

Float

8

单数球

欧赔用

19

OddDouble

Float

8

双数球

欧赔用

  这些常见的指数表就介绍到这里,下一篇将继续介绍其他指数表的结构。


本文转自叶小钗 h数据之巅博客园博客,原文链接:http://www.cnblogs.com/asxinyu/p/Smart_Lottery_FootBall_DataBase_5.html,如需转载请自行联系原作者


相关文章
|
10天前
|
机器学习/深度学习 人工智能 算法
ML.NET:一个.NET开源、免费、跨平台的机器学习框架
ML.NET:一个.NET开源、免费、跨平台的机器学习框架
|
1月前
|
机器学习/深度学习 人工智能 数据处理
【人工智能】项目实践与案例分析:利用机器学习探测外太空中的系外行星
探测外太空中的系外行星是天文学和天体物理学的重要研究领域。随着望远镜观测技术的进步和大数据的积累,科学家们已经能够观测到大量恒星的光度变化,并尝试从中识别出由行星凌日(行星经过恒星前方时遮挡部分光线)引起的微小亮度变化。然而,由于数据量巨大且信号微弱,传统方法难以高效准确地识别所有行星信号。因此,本项目旨在利用机器学习技术,特别是深度学习,从海量的天文观测数据中自动识别和分类系外行星的信号。这要求设计一套高效的数据处理流程、构建适合的机器学习模型,并实现自动化的预测和验证系统。
31 1
【人工智能】项目实践与案例分析:利用机器学习探测外太空中的系外行星
|
19天前
|
机器学习/深度学习 资源调度 分布式计算
阿里PAI-ChatLearn:大规模 Alignment高效训练框架正式开源
PAI-ChatLearn现已全面开源,助力用户快速、高效的Alignment训练体验。借助ChatLearn,用户可全身心投入于模型设计与效果优化,无需分心于底层技术细节。ChatLearn将承担起资源调度、数据传输、参数同步、分布式运行管理以及确保系统高效稳定运作的重任,为用户提供一站式解决方案。
|
20天前
|
机器学习/深度学习 数据处理 定位技术
构建您的首个机器学习项目:从理论到实践
【8月更文挑战第28天】本文旨在为初学者提供一个简明的指南,通过介绍一个基础的机器学习项目——预测房价——来揭示机器学习的神秘面纱。我们将从数据收集开始,逐步深入到数据处理、模型选择、训练和评估等环节。通过实际操作,你将学会如何利用Python及其强大的科学计算库来实现自己的机器学习模型。无论你是编程新手还是有一定经验的开发者,这篇文章都将为你打开一扇通往机器学习世界的大门。
|
20天前
|
机器学习/深度学习 人工智能 算法
【悬念揭秘】ML.NET:那片未被探索的机器学习宝藏,如何让普通开发者一夜变身AI高手?——从零开始,揭秘构建智能应用的神秘旅程!
【8月更文挑战第28天】ML.NET 是微软推出的一款开源机器学习框架,专为希望在本地应用中嵌入智能功能的 .NET 开发者设计。无需深厚的数据科学背景,即可实现预测分析、推荐系统和图像识别等功能。它支持多种数据源,提供丰富的预处理工具和多样化的机器学习算法,简化了数据处理和模型训练流程。
32 1
|
1月前
|
机器学习/深度学习 SQL 算法
用C#也能做机器学习?
用C#也能做机器学习?
51 16
|
1月前
|
机器学习/深度学习 运维 算法
【阿里天池-医学影像报告异常检测】3 机器学习模型训练及集成学习Baseline开源
本文介绍了一个基于XGBoost、LightGBM和逻辑回归的集成学习模型,用于医学影像报告异常检测任务,并公开了达到0.83+准确率的基线代码。
35 9
|
1月前
|
机器学习/深度学习 数据可视化 数据处理
Python vs R:机器学习项目中的实用性与生态系统比较
【8月更文第6天】Python 和 R 是数据科学和机器学习领域中最受欢迎的两种编程语言。两者都有各自的优点和适用场景,选择哪种语言取决于项目的具体需求、团队的技能水平以及个人偏好。本文将从实用性和生态系统两个方面进行比较,并提供代码示例来展示这两种语言在典型机器学习任务中的应用。
51 1
|
2月前
|
JSON Shell API
阿里云PAI-Stable Diffusion开源代码浅析之所有api的入参如何看
阿里云PAI-Stable Diffusion开源代码浅析之所有api的入参如何看
|
27天前
|
机器学习/深度学习 存储 缓存
Java本地高性能缓存实践问题之阿里云机器学习团队开源社区的问题如何解决
Java本地高性能缓存实践问题之阿里云机器学习团队开源社区的问题如何解决

热门文章

最新文章