Wyniki wyszukiwania - BazTech

Ograniczanie wyników

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: nearest neighbour search

Sortuj według:

Ogranicz wyniki do:

A strategy in sports betting with the nearest neighbours search and genetic algorithms

Borycki D.

Annales Universitatis Mariae Curie-Skłodowska. Sectio AI, Informatica

2011

Vol. 11, no. 1

7--13

The point of sports betting is not merely to correctly predict the outcome of a game, but to actually win on a bet. We propose a model of sports betting that uses the nearest neighbours search and genetic algorithms to do the job. It uses data on the teams playing, their respective formations, individual players, results of previous games, as well as odds offered by bookmakers. The model has been trained using the data from the seasons 2002/03 until 2008/09 of the English Premier League and tested against the already played games of the seasons 2009/10 and 2010/11.

Nearest neighbor search by using Partial KD-tree method

Kraus P., Dzwinel W.

Theoretical and Applied Informatics

2008

Vol. 20, No. 3

149-165

We present a new nearest neighbor (NN) search algorithm, the Partial KD-Tree Search (PKD), which couples the Friedman’s algorithm and the Partial Distance Search (PDS ) technique. Its efficiency was tested using a wide spectrum of input datasets of various sizes and dimensions. The test datasets were both generated artificially and selected from the UCI repository. It appears that our hybrid algorithm is very efficient in comparison to its components and to other popular NN search technique – the Slicing Search algorithm. The results of tests show that PKD outperforms up to 100 times the brute force method and is substantially faster than other techniques. We can conclude that the Partial KD-Tree is a universal and effcient nearest neighbor search scheme.

W pracy prezentujemy rezultaty poprawy efektywności poszukiwania najbliższego sąsiada poprzez hybrydyzację dwóch najczęściej używanych algorytmów: algorytmu Friedman’a opartego o tzw. K-D drzewa oraz prostej techniki liczenia odległości fragmentami (Partial Distance Search (PDS)). Efektywność powstałego algorytmu przetestowano na danych wygenerowanych w sposób sztuczny oraz na popularnym repozytorium danych UCI. Badano efektywność w zależności od wymiaru przestrzeni oraz strukturalnej złożoności testowanych danych. Okazuje sią że nasz hybrydowy algorytm jest wyraźnie efektywniejszy niż jego części składowe oraz inny popularny algorytmy znajdowania najbliższego sąsiada jak poszukiwanie plasterkowe (Slicing Search (SS)). Rezultaty testów pokazują, że na wybranych danych algorytm jest nawet parą rzędów szybszy niż metoda typu Exhaustive Search i kilka razy szybsza niż inne konkurencyjne wyspecjalizowane algorytmy.