參賽序號：02
海報主題
研究LASSO、Elastic Net、MARS模型預測桌球不同擊球路徑之得失分
系級
統計學系
指導老師及參賽學生
指導老師：鄭順林
參賽學生：詹雅鈞
構想說明
近年有許多統計新方法著重於從大量的可能變數中進行特徵挑選以及交互作用的搜尋與建構，本研究探索具特徵選擇能力的三種建模方式—LASSO、Elastic Net與MARS，應用在桌球擊球路徑研究，探討這三種模型如何適當地篩選出影響得分率之重要擊球變線方式和銜接戰術的各種特徵，檢視非線性特徵以及特徵之間的交互作用，並評估、比較三種模型的預測效果。 LASSO迴歸透過將L1正則化納入目標函數與控制對係數的懲罰值，將模型部分係數收縮至零達成係數篩選的目的，能夠解決多重共線性與過度擬合的問題；Elastic Net結合L1正則化與Ridge迴歸的L2正則化，使Ridge迴歸過度複雜的模型能夠透過篩選係數而有所改善；MARS透過將特徵輸入值作為節點進行向前選取，形成能適應不同有效值域特徵的預測模型，有捕捉特徵的交互作用與非線性的功能。然而，這些模型亦有缺點，LASSO與Elastic Net都受限於特徵為線性關係的假設，且共線性強時，LASSO會隨機選擇特徵；MARS則無懲罰值壓縮係數來處理共線性，容易過度擬合且對異常值敏感。本研究藉由應用篩選係數的方法至桌球戰術研究，探討三個模型在特徵篩選的使用情況與具優勢之模型。
-
分享：
113年活動，現正報名中!