-
Notifications
You must be signed in to change notification settings - Fork 0
/
Copy pathp1_regresion.py
355 lines (278 loc) · 12.7 KB
/
p1_regresion.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
# -*- coding: utf-8 -*-
"""P1-Regresion.ipynb
## Descripción del problema
La liga de [fútbol americano](https://es.wikipedia.org/wiki/F%C3%BAtbol_americano) NFL recopila estadísticas sobre las jugadas de todos los partidos en un portal que se conoce como [NextGenStats](https://nextgenstats.nfl.com/). Dentro de los tipos de jugadas posibles en un partido de la NFL se encuentran las jugadas de carrera en las que el Quarterback entrega el balón en la mano del corredor.
> El problema de regresión a resolver consiste en predecir cuántas yardas será capaz de recorrer el corredor antes de que termine la jugada, en base a la información que se conoce en el momento en el que el Quaterback le entrega el balón:
### El conjunto de datos
Para esta práctica usaremos un conjunto de datos recopilado de [NextGenStats](https://nextgenstats.nfl.com/) que se encuentra en el portal [Kaggle](https://www.kaggle.com/c/nfl-big-data-bowl-2020/data). Este conjunto de datos forma parte de una competición de _Machine Learning_ alojada por dicha web y que repartirá $75.000\$$ en premios para aquellos equipos que consigan los mejores resultados.
El conjunto de datos está formado por un único fichero CSV. Cada fila del archivo corresponde a la participación de un solo jugador en una sola jugada. El conjunto de datos está desnormalizado. Todas las columnas están contenidas en un gran conjunto de datos que agrupado por el identificador de la jugada `PlayId`.
Las características (o _features_) de este conjunto de datos son las siguientes:
* `GameId` - identificador único del partido
* `PlayId` - identificador único de la jugada
* `Team` - indica si el equipo juega como local o visitante
* `X` - posición del jugador con respecto al eje largo. Ver figura a continuación.
* `Y` - posición del jugador con respecto al eje corto. Ver figura a continuación.
* `S` - velocidad en $yardas/segundo$
* `A` - aceleración en $yardas/segundo^2$
* `Dis` - yardas recorridas desde la anterior observación
* `Orientation` - orientación en grados del jugador
* `Dir` - ángulo en grados del movimiento del jugador
* `NflId` - identificador único del jugador
* `DisplayName` - nombre el jugador
* `JerseyNumber` - dorsal
* `Season` - año de la temporada
* `YardLine` - yarda de inicio de la jugada
* `Quarter` - cuarto del partido (el $5$ representa la prórroga)
* `GameClock` - tiempo de jugada
* `PossessionTeam` - equipo que tiene la posesión
* `Down` - intento (o _down_)
* `Distance` - yardas necesarias para conseguir un primer _down_
* `FieldPosition` - mitad del campo en el que transcurre la jugada
* `HomeScoreBeforePlay` - indica si el equipo local puntuó en la jugada anterior
* `VisitorScoreBeforePlay` - indica si el equipo visitante puntuó en la jugada anterior
* `NflIdRusher` - id del jugador que realiza la carrera
* `OffenseFormation` - formacion ofensiva
* `OffensePersonnel` - agrupación posicional del equipo ofensivo
* `DefendersInTheBox` - número de jugadores en primera línea de defensa
* `DefensePersonnel` - agrupación posicional del equipo ofensivo
* `PlayDirection` - dirección de la jugada
* `TimeHandoff` - tiempo UTC del momento de entrega del balón
* `TimeSnap` - tiempo UTC del inicio de la jugada
* `Yards` - **yardas ganadas en la jugada (TARGET)**
* `PlayerHeight` - altura del jugador (ft-in)
* `PlayerWeight` - peso del jugador (lbs)
* `PlayerBirthDate` - fecha de nacimiento (mm/dd/yyyy)
* `PlayerCollegeName` - universidad del jugador
* `HomeTeamAbbr` - abreviatura del nombre del equipo local
* `VisitorTeamAbbr` - abreviatura del nombre del equipo visitante
* `Week` - número de jornada
* `Stadium` - estadio
* `Location` - ciudad
* `StadiumType` - tipo de estadio
* `Turf` - tipo de césped (artificial, natural, etc.)
* `GameWeather` - descripción de las condiciones meteorológicas
* `Temperature` - temperatura (grados Farenheit)
* `Humidity` - humedad
* `WindSpeed` - velocidad del viento en $millas/hora$
* `WindDirection` - dirección del viento
---
"""
"""## Desarrollo de la práctica
Esta práctica ha sido desarrollada por:
* Miguel Hernández Roca
* Mohammed Makhfi Boulaich
### Biblioteca
"""
# Librerías utilizadas en el desarrollo de la práctica
import pandas as pd
import numpy as np
import datetime
import sklearn
import time
import re
from dateutil import parser as dp
import matplotlib.pyplot as plt
import seaborn as sns
from sklearn.model_selection import train_test_split
from sklearn.model_selection import cross_val_score
from sklearn.metrics import mean_squared_error
from sklearn.metrics import median_absolute_error
from sklearn.metrics import make_scorer
from sklearn import preprocessing
from sklearn import linear_model
from sklearn import compose
from pandas import plotting
# Configuración de pandas
pd.set_option('display.max_rows', 500)
pd.set_option('display.max_columns', 500)
pd.set_option('display.width', 1000)
"""### Carga del conjunto de datos
La carga del conjunto de datos se realiza mediante la URL del mismo:
"""
datos = pd.read_csv('https://drive.upm.es/index.php/s/tmMKB7kvNXWvuAm/download')
"""### Análisis exploratorio de datos"""
datos.hist(figsize = (16,18))
datos.describe()
"""#### Correlaciones
En análisis de correlaciones nos permite conocer el efecto que tiene una columna sobre otra. Nos permite, por ejemplo, eliminar columnas.
"""
# Análisis de correlación entre 'Yards' y 'Temperature'
Yards_Temperature = datos[['Yards', 'Temperature']]
sns.heatmap(pd.crosstab(Yards_Temperature.Yards, Yards_Temperature.Temperature))
# Visualizar la tabla de correlaciones
corr_data = datos.apply(lambda x: x.factorize()[0]).corr()
corr_data
# Mostrar sólo aquellas correlaciones mayores que 0.5
ind = corr_data[corr_data[corr_data.columns] > 0.5]
ind
"""#### Búsqueda de filas con errores
Algunas columnas deben tener un tipo específico de datos. Pongamos 'WindSpeed' como ejemplo. WindSpeed debe ser de tipo numérico y, sin embargo, es de tipo objeto.
"""
# Visualizar el tipo de datos que admiten las columnas
print(datos.dtypes)
# La función ''.unique()' nos permite detectar inconsistencias
datos['FieldPosition'].unique()
datos['OffenseFormation'].unique()
datos['OffensePersonnel'].unique()
datos['DefensePersonnel'].unique()
datos['PlayDirection'].unique()
datos['TimeHandoff'].unique()
datos['TimeSnap'].unique()
datos['PlayerHeight'].unique()
datos['PlayerBirthDate'].unique()
datos['PlayerCollegeName'].unique()
datos['Position'].unique()
datos['HomeTeamAbbr'].unique()
datos['VisitorTeamAbbr'].unique()
datos['Stadium'].unique()
datos['Location'].unique()
datos['StadiumType'].unique()
datos['Turf'].unique()
datos['GameWeather'].unique()
datos['WindSpeed'].unique()
datos['WindDirection'].unique()
# La función 'isna().sum()' nos permite calcular el número de entradas nulas de una columna determinada
datos['FieldPosition'].isna().sum()
datos['OffenseFormation'].isna().sum()
datos['StadiumType'].isna().sum()
datos['GameWeather'].isna().sum()
datos['WindSpeed'].isna().sum()
datos['WindDirection'].isna().sum()
# Comprobar mediante una expresión regular que el tiempo está introducido correctamente en todas las filas de la tabla
sum = 0
for elem in datos['GameClock'] :
x = re.findall("\d\d:\d\d:\d\d", str(elem))
if x:
sum += 1
print(sum == len(datos['GameClock']))
"""#### Refactorización de columnas
### Transformaciones de datos
"""
# Convertir el tiempo de formato ISO 8601 a segundos
def isoFormatToSeconds(colName):
parsed_t = []
t_in_seconds = []
for x in datos[colName].index:
parsed_t.append(dp.parse(datos.loc[x, colName]))
t_in_seconds.append(parsed_t[x].strftime('%s'))
datos[colName] = t_in_seconds
isoFormatToSeconds('TimeHandoff')
isoFormatToSeconds('TimeSnap')
# Convertir el tiempo en formato HH:MM:SS a segundos
def timeToSeconds(colName):
parsed_t = []
t_in_seconds = []
for x in datos[colName].index:
parsed_t.append(time.strptime(datos.loc[x, colName],'%H:%M:%S'))
t_in_seconds.append(datetime.timedelta(hours=parsed_t[x].tm_hour,minutes=parsed_t[x].tm_min,seconds=parsed_t[x].tm_sec).total_seconds())
datos[colName] = t_in_seconds
timeToSeconds('GameClock')
# Extraer valores numéricos de la columna WindSpeed
values = []
dropIndex = []
for index, elem in enumerate(datos['WindSpeed']):
x = re.findall("\d+", str(elem))
if x:
values.append(x[0])
else:
dropIndex.append(index)
datos = datos.drop(datos.index[dropIndex])
datos['WindSpeed'] = values
# Unificar la terminología utilizada en WindDirection
values = []
dropIndex = []
for index, elem in enumerate(datos['WindDirection']):
elem = str(elem)
elem = elem.upper()
SE = re.findall("SE+|SO.*EA.*", elem)
SW = re.findall("SW+|SO.*WE.*", elem)
NE = re.findall("NE+|NO.*EA.*", elem)
NW = re.findall("NW+|NO.*WE.*", elem)
N = re.findall("^N{1}$|^NORTH$", elem)
E = re.findall("^E{1}$|^EAST$", elem)
S = re.findall("^S{1}$|^SOUTH$", elem)
W = re.findall("^W{1}$|^WEST$", elem)
if SE:
values.append('SE')
elif SW:
values.append('SW')
elif NE:
values.append('NE')
elif NW:
values.append('NW')
elif N:
values.append('N')
elif E:
values.append('E')
elif S:
values.append('S')
elif W:
values.append('W')
else:
dropIndex.append(index)
datos = datos.drop(datos.index[dropIndex])
datos['WindDirection'] = values
# Obtener la edad del jugador a partir de su fecha de nacimiento y cambiar nombre de columna
datos["PlayerBirthDate"]= datos["PlayerBirthDate"].astype('datetime64[Y]')
thisyear= datetime.datetime.now().year
datos['PlayerBirthDate'] = thisyear - datos["PlayerBirthDate"].dt.year
datos.rename(columns={'PlayerBirthDate':'PlayerAge'})
# La altura del jugador es un valor de tipo numérico
datos["PlayerHeight"]= datos["PlayerHeight"].astype('str')
datos['PlayerHeight']= datos['PlayerHeight'].str.replace("-",".")
datos["PlayerHeight"]= datos["PlayerHeight"].astype('float')
# La velocidad del viento es un valor de tipo numérico
datos["WindSpeed"]= datos["WindSpeed"].astype('float')
"""Son 3 las transformaciones que aplicaremos:
1. Las columnas cuyo histograma no se asemeja a una normal, utilizaremos el **MinMaxScaler**.
2. Las que sí se asemejan a una normal las transformamos a una **normal** (0,1).
3. Las columnas cuyos valores son categóricos utilizaremos el **OneHotEncoding**.
Es importante mencionar que, del conjunto de datos original, se eliminarán un número significativo de *filas* por razones como:
* **FieldPosition**: las filas con valores nulos serán eliminadas porque no hay una manera adecuada de rellenarlas.
No solo filas. Algunas *columnas* también serán eliminadas:
* **DisplayName**: Si el modelo da demasiado peso al nombre de un jugador, al entrenarlo ocurrirá overfitting.
* **GameWeather**: La columna presenta unos niveles de inconsistencia importantes.
"""
# Procedemos a eliminar toda fila que contiene al menos un valor nulo
datos = datos.dropna()
column_transformer = sklearn.compose.ColumnTransformer(transformers=[
("drop", "drop", [10,11,23,44,31]),
("scale", sklearn.preprocessing.StandardScaler(),[3,4,5,7,14,16,21,22,26,29,30,32,33,34,45,46,47]),
("min-max", sklearn.preprocessing.MinMaxScaler(),[0,1,6,8,9,12,18,19,39]),
("one-hot", sklearn.preprocessing.OneHotEncoder(), [2,13,15,17,20,24,25,27,28,35,36,37,38,40,41,42,43,48])
]);
datosT = column_transformer.fit_transform(datos)
datosT.shape
# Almacenamos la columna que queremos predecir en una variable
yards = datos["Yards"]
"""### Procesamiento de datos"""
linear_regression = linear_model.LinearRegression()
linear_regression.fit(datosT, yards)
datos.shape
linear_regression.coef_
y_hat = linear_regression.predict(datosT)
mean_squared_error(yards, y_hat)
x_train, x_test, y_train, y_test = train_test_split(datosT, yards, test_size=0.2, random_state=0)
linear_regression = linear_model.LinearRegression()
linear_regression.fit(x_train, y_train)
y_hat = linear_regression.predict(x_test)
mean_squared_error(y_test, y_hat)
for x in range(1,10) :
ridge_regression = linear_model.Ridge(alpha=x/100)
ridge_regression.fit(x_train, y_train)
y_hat = ridge_regression.predict(x_test)
print(median_absolute_error(y_test, y_hat))
print("alpha value is x",x)
#cross validation
linear_regression = linear_model.LinearRegression()
scorer = make_scorer(score_func=mean_squared_error, greater_is_better=False)
scores = cross_val_score(linear_regression, datosT, yards, cv=5, scoring='neg_median_absolute_error')
scores
scores.mean()
#cross validation
ridge_regression = linear_model.Ridge(alpha=0.1)
scores = cross_val_score(ridge_regression, datosT, yards, cv=5, scoring='neg_median_absolute_error')
scores
print(scores.mean())