韓劇電影你都看哪一部呢？論文書籍站
輔仁大學 統計資訊學系應用統計碩士在職專班 李鍾斌所指導 陳駿逸的 資料探勘與商業智慧於職棒比賽勝負預測之結合-以MLB為例 （2018），提出mlb例行賽戰績關鍵因素是什麼，來自於決策樹、貝氏定理、MLB、商業智慧、資料視覺化。
而第二篇論文亞洲大學 資訊傳播學系 陸清達所指導 蔡育楷的 運用深度學習預測中華職棒比賽勝負:以中信兄弟象隊為例 （2018），提出因為有 深度學習、類神經網路、職棒、棒球、勝負預測的重點而找出了 mlb例行賽戰績的解答。
資料探勘與商業智慧於職棒比賽勝負預測之結合-以MLB為例
為了解決mlb例行賽戰績 的問題，作者陳駿逸 這樣論述：
棒球是台灣人受歡迎的運動項目之一，運動彩券也在台灣蓬勃發展。棒球比賽勝負與運動彩券投注者也有莫大關係，影響棒球比賽勝負變數眾多，處理大量資訊的系統也日漸受到重視。本研究主要是找出影響職棒比賽勝負之關鍵因素，並以MLB 2018年美國聯盟晉級季後賽球隊的例行賽為例，其中80%的資料為訓練資料，20%的資料為測試資料，以建構決策樹模型及貝氏模型分析預測職棒比賽勝負，再藉由商業智慧建立變數資料視覺化模型。本研究結果顯示，決策樹模型的投手變數預測準確率為62.1%，野手變數預測準確率為56.7%。貝氏模型投手變數預測準確率為60.9%，野手變數預測準確率為60.6%。資料視覺化分為六個部分聯盟球隊介
紹、區域球隊成績、個別球隊成績、投手成績明細、野手成績明細及球隊成績比較。
運用深度學習預測中華職棒比賽勝負:以中信兄弟象隊為例
為了解決mlb例行賽戰績 的問題，作者蔡育楷 這樣論述：
深度學習神經網路在棒球上的運用，目前相關研究所佔比例極少，而棒球比賽最受關心的部份是最後的勝敗結果，也是球迷最關心的事情之一。我們既有的觀念中，類神經網路訓練需仰賴大量的數據及訓練資料才能提高準確度，但教練的指揮調度及球員的狀態起伏，常隨著球賽累積經常調整而有所調整，所以面對賽季長且場次多的職業棒球來說，以大數據訓練神經網路的方式未必合適。本研究利用深度學習方式創建類神經網路模型，預測中華職棒大聯盟比賽勝負，並且以中信兄弟象隊例行賽為例，我們使用的特徵參數包括：對戰兩隊的團隊勝敗戰績、打擊率、自責分率及先發投手的出賽數、勝場數、防禦率、被打擊率、每局被上壘率…等共165項，將這些特徵
參數饋入深度學習神經網路之後，判斷最後輸出結果，輸出結果有3類，分別判定為勝、敗、和。經由實驗結果證明，使用深度學習神經網路確實可以提供預測比賽勝負的參考依據，其中以比賽前10場比賽作為訓練資料預測準確度最高，預測正確率達到60%，優於各預測模型，訓練數據過多過少皆會影響預測模型之準確率。