欢迎来到我关于会议改组的系列文章的第二部分！去年夏天，当会议改组如火如荼进行时，Tony Altimore在Twitter上发表了一项研究，激发了我做自己的会议改组分析的灵感。本系列文章分为四个部分（完整的动机在第一部分中找到）：
- 大学橄榄球会议改组 – 用Python进行探索性数据分析
- 大学橄榄球会议改组 – 回归
- 大学橄榄球会议改组 – 聚类
- 大学橄榄球会议改组 – node2vec
希望本系列文章的每个部分都能为您提供对大学橄榄球这一心爱的游戏未来的新视角。对于那些没有阅读第一部分的人，简要概括一下，我创建了自己的数据集，从网络上的各个来源收集了基本信息，包括每个FBS计划的基本信息，所有大学橄榄球对抗赛的非规范近似，体育场容量，历史表现，AP排名前25的频率出现次数，学校是否为AAU或R1机构（在加入Big Ten和Pac 12方面具有历史重要性），NFL选秀选手数量，2017-2019年的计划收入数据以及对大学橄榄球球迷人数的最新估计。事实证明，在Tony Altimore的分析中，体育场容量、2019年收入和历史AP排名成功与估计的球迷人数之间存在强相关性：
监督学习
所以，这让我想到：我们能否创建一个简单的回归模型来估计球迷人数？
广义上，我们可以将机器学习分为监督学习和无监督学习。在监督学习中，目标是预测预定义的离散类别或连续变量。在无监督学习中，目标是发现数据中的非明显趋势。回归是一种监督学习的类型，其中预测目标是一个连续变量。Shervine和Afshine Amidi制作了一份很棒的参考指南和资源。（已翻译成…