Один из способов выяснить это - использовать spring.jpa.hibernate.ddl-auto=create
, это создаст таблицу с именем student
в вашей базе данных на основе вашего текущего класса сущностей. Я подозреваю, что ваша таблица student
содержит заглавные буквы? Потому что hibernate неявно отображает имя вашей таблицы, скажем, @Table(name = "MyTable")
, на my_table
. Скажем, у вас есть @Table(name="Student")
и ваша таблица в вашей базе данных называется Student
. Предполагая, что Hibernate 5, вам нужно переопределить ImplicitNamingStrategy Hibernate, установив spring.jpa.hibernate.naming.physical-strategy=org.hibernate.boot.model.naming.PhysicalNamingStrategyStandardImpl
. Или вы можете предоставить свой собственный, для справки: https://www.baeldung.com/hibernate-naming-strategy
Используйте алгоритм TrueSkill, он очень хорош в этом. Я реализовал его для настольного футбола и шахмат, и он работает очень хорошо. Коллеги сказали мне, что он почти тоже хорош в этом.
Полную информацию о том, как это работает, а также ссылку на мою реализацию можно найти в моем блоге « Computing Your Skill ».
Почему использование neuralnet? Используйте статистику, вероятно, корреляция между каждым плеером была бы хорошей мерой.
Только для запуска позволяют нам собрать некоторую информацию: Для данного плеера нам нужно:
Хороший взломщик будет мучить точки. Хороший защитник будет препятствовать тому, чтобы точки были выиграны.
Реальная информация будет от хорошего взломщика, играющего против хорошего защитника.
Одна опция состояла бы в том, чтобы попытаться предположить распространение точки как своего рода линейную модель. Если у Вас есть больше игр, чем плееры Вы, может сделать подбор методом наименьших квадратов точек на плеер путем создания игровой матрицы (+1 для плеера в одной команде,-1 для другого, 0 для зрителя) для всех игр и итогового вектора для распространений.
Попытайтесь применить наивный классификатор Байеса.
Байесовское изучение является вероятностным подходом, который основан на предположении, что количествами интереса управляют распределения вероятностей и что оптимальные решения могут быть приняты путем обоснования об этих вероятностях вместе с наблюдаемыми данными. [Mitchell, T. (1997), Машинное обучение]
То же точное распределение плееров может привести к различным результатам соответствия. Если Ваши данные имеют шаблон в них, шаблон на основе Ваших переменных, наивный классификатор Байеса может привести к хорошим результатам.
Алгоритм не очень сложен. Я думаю, один с некоторым знанием в вероятности, могу понять и применить его.
В системах обнаружения проникновения это используется для определения сетевых аномалий путем рассмотрения различных параметров сети. Байесовский подход может быть очень успешным в особенности типы данных и произвести высокий TP и низкие уровни FP. Но это может также привести к высоким уровням FP, в зависимости от Ваших данных. Ваши данные определят лучший подход.
Можно использовать Weka (http://www.cs.waikato.ac.nz/~ml/weka/), библиотека программного обеспечения анализа данных, и попробовать различные алгоритмы. Это содержит наивный классификатор Байеса. Просто попытайтесь видеть.