在真实数据集上的随机森林模型参数调优 - 简书
在真实数据集上的随机森林模型参数调优
搞机器学习的人，都会有自己偏爱的某种算法，有的喜欢支持向量机（SVM），因为它公式表达的优雅和可利用方法实现的高质量；有的人喜欢决策树，因为它的简洁性和解释能力；还有人对神经网络非常痴狂，因为它解决问题的灵活性（一般在超大规模的数据集上，使用神经网络，效果会好于其他所有的机器学习算法）。但是就我本人而言，我最喜欢的算法是随机森林，理由如下：
通用性。随机森林算法可以应用于很多类别的模型任务。它们可以很好的处理回归问题，也能对分类问题应付自如，多分类和二分类都可以，一个能当三个用呢！
随机森林算法很难被打败。针对任何给定的数据集，几乎都表现的很好，当然你说神经网络会表现的更好，那么我应该不会反驳，因为我知道你是一个有耐心的人，可以连续很多天不休息，只是为了调参。
天生的并行性。从根本上说，随机森林就是众多的决策树组合，所以很容易把任务分解，使我们的随机森林算法并行。
当然，随机森林也有比较明显的缺点，对机器内存的要求比较高，为了增加我们预测的精度，我们可能需要建立几千棵甚至上万课决策树，所以买一个大内存的电脑是多么的有必要。
我们的数据集是来自一个著名的数据挖掘竞赛网站，是一个关于泰坦尼克号，游客生存情况的调查。可以从这里下载：。
各个数据字段的含义
上面的一张图，是我从官网上下载的，总的来说，里面的每一行数据，差不多有11个字段，包括游客的年龄、名字、性别、买的几等仓的票等等信息，最后是他的生存情况，在这场事故中，他是死了还是幸存。
不想解释了，直接读入数据吧
import numpy as np
import pandas as pd
from sklearn.ensemble import RandomForestClassifier
train = pd.read_csv("E:/train.csv", dtype={"Age": np.float64},)
train.head(10)
前十行数据
稍微分析一下，我们就可以筛选出对一个游客的生存与否有关的变量：Pclass, Sex, Age, SibSp，Parch，Fare, Embarked. 一般来说，游客的名字，买的船票号码对其的生存情况应该影响很小。
len(train_data)
我们共有891条数据，将近900条，我们使用600条作为训练数据，剩下的291条作为测试数据，通过对随机森林的参数不断调优，找出在测试结果上，预测最为精确的随机森林模型。
在具体的实验之前，我们看一下使用随机森林模型，需要注意哪几个变量：
在 sklearn中，随机森林的函数模型是：
RandomForestClassifier(bootstrap=True, class_weight=None, criterion='gini',
max_depth=None, max_features='auto', max_leaf_nodes=None,
min_samples_leaf=1, min_samples_split=2,
min_weight_fraction_leaf=0.0, n_estimators=10, n_jobs=1,
oob_score=False, random_state=None, verbose=0,
warm_start=False)
A. max_features：
随机森林允许单个决策树使用特征的最大数量。 Python为最大特征数提供了多个可选项。 下面是其中的几个：
Auto/None ：简单地选取所有特征，每颗树都可以利用他们。这种情况下，每颗树都没有任何的限制。
sqrt ：此选项是每颗子树可以利用总特征数的平方根个。 例如，如果变量（特征）的总数是100，所以每颗子树只能取其中的10个。“log2”是另一种相似类型的选项。
0.2：此选项允许每个随机森林的子树可以利用变量（特征）数的20％。如果想考察的特征x％的作用， 我们可以使用“0.X”的格式。
max_features如何影响性能和速度？
增加max_features一般能提高模型的性能，因为在每个节点上，我们有更多的选择可以考虑。 然而，这未必完全是对的，因为它降低了单个树的多样性，而这正是随机森林独特的优点。 但是，可以肯定，你通过增加max_features会降低算法的速度。 因此，你需要适当的平衡和选择最佳max_features。
B. n_estimators：
在利用最大投票数或平均值来预测之前，你想要建立子树的数量。 较多的子树可以让模型有更好的性能，但同时让你的代码变慢。 你应该选择尽可能高的值，只要你的处理器能够承受的住，因为这使你的预测更好更稳定。
C. min_sample_leaf：
如果您以前编写过一个决策树，你能体会到最小样本叶片大小的重要性。 叶是决策树的末端节点。 较小的叶子使模型更容易捕捉训练数据中的噪声。 一般来说，我更偏向于将最小叶子节点数目设置为大于50。在你自己的情况中，你应该尽量尝试多种叶子大小种类，以找到最优的那个。
下面我们对上面提到的三个参数，进行调优，首先参数A，由于在我们的这个数据中，数据段总共只有七八个，所以我们就简单的选取所有的特征，所以我们只需要对剩下的两个变量进行调优。
在sklearn自带的随机森林算法中，输入的值必须是整数或者浮点数，所以我们需要对数据进行预处理，将字符串转化成整数或者浮点数
def harmonize_data(titanic):
# 填充空数据 和 把string数据转成integer表示
# 对于年龄字段发生缺失，我们用所有年龄的均值替代
titanic["Age"] = titanic["Age"].fillna(titanic["Age"].median())
# 性别男： 用0替代
titanic.loc[titanic["Sex"] == "male", "Sex"] = 0
# 性别女： 用1替代
titanic.loc[titanic["Sex"] == "female", "Sex"] = 1
titanic["Embarked"] = titanic["Embarked"].fillna("S")
titanic.loc[titanic["Embarked"] == "S", "Embarked"] = 0
titanic.loc[titanic["Embarked"] == "C", "Embarked"] = 1
titanic.loc[titanic["Embarked"] == "Q", "Embarked"] = 2
titanic["Fare"] = titanic["Fare"].fillna(titanic["Fare"].median())
return titanic
train_data = harmonize_data(train)
上面的代码是对原始数据进行清洗，填补缺失数据， 把string类型数据转化成int数据
下面的工作，我们开始划分训练数据和测试数据，总的数据有891个，我们用600个训练数据集，剩下的291个作为测试数据集。
# 列出对生存结果有影响的字段
predictors = ["Pclass", "Sex", "Age", "SibSp", "Parch", "Fare", "Embarked"]
# 存放不同参数取值，以及对应的精度，每一个元素都是一个三元组(a, b, c)
results = []
# 最小叶子结点的参数取值
sample_leaf_options = list(range(1, 500, 3))
# 决策树个数参数取值
n_estimators_options = list(range(1, 1000, 5))
groud_truth = train_data['Survived'][601:]
for leaf_size in sample_leaf_options:
for n_estimators_size in n_estimators_options:
alg = RandomForestClassifier(min_samples_leaf=leaf_size, n_estimators=n_estimators_size, random_state=50)
alg.fit(train_data[predictors][:600], train_data['Survived'][:600])
predict = alg.predict(train_data[predictors][601:])
# 用一个三元组，分别记录当前的 min_samples_leaf，n_estimators， 和在测试数据集上的精度
results.append((leaf_size, n_estimators_size, (groud_truth == predict).mean()))
# 真实结果和预测结果进行比较，计算准确率
print((groud_truth == predict).mean())
# 打印精度最大的那一个三元组
print(max(results, key=lambda x: x[2]))
总的来说，调参对随机森林来说，不会发生很大的波动，相比神经网络来说，随机森林即使使用默认的参数，也可以达到良好的结果。在我们的例子中，通过粗略的调参，可以在测试集上达到84%的预测准确率，我觉得效果应该出乎我的意料吧。
附上全部代码：
__author__ = 'Administrator'
import numpy as np
import pandas as pd
from sklearn.ensemble import RandomForestClassifier
train = pd.read_csv("E:/train.csv", dtype={"Age": np.float64},)
def harmonize_data(titanic):
# 填充空数据 和 把string数据转成integer表示
titanic["Age"] = titanic["Age"].fillna(titanic["Age"].median())
titanic.loc[titanic["Sex"] == "male", "Sex"] = 0
titanic.loc[titanic["Sex"] == "female", "Sex"] = 1
titanic["Embarked"] = titanic["Embarked"].fillna("S")
titanic.loc[titanic["Embarked"] == "S", "Embarked"] = 0
titanic.loc[titanic["Embarked"] == "C", "Embarked"] = 1
titanic.loc[titanic["Embarked"] == "Q", "Embarked"] = 2
titanic["Fare"] = titanic["Fare"].fillna(titanic["Fare"].median())
return titanic
train_data = harmonize_data(train)
predictors = ["Pclass", "Sex", "Age", "SibSp", "Parch", "Fare", "Embarked"]
results = []
sample_leaf_options = list(range(1, 500, 3))
n_estimators_options = list(range(1, 1000, 5))
groud_truth = train_data['Survived'][601:]
for leaf_size in sample_leaf_options:
for n_estimators_size in n_estimators_options:
alg = RandomForestClassifier(min_samples_leaf=leaf_size, n_estimators=n_estimators_size, random_state=50)
alg.fit(train_data[predictors][:600], train_data['Survived'][:600])
predict = alg.predict(train_data[predictors][601:])
# 用一个三元组，分别记录当前的 min_samples_leaf，n_estimators， 和在测试数据集上的精度
results.append((leaf_size, n_estimators_size, (groud_truth == predict).mean()))
# 真实结果和预测结果进行比较，计算准确率
print((groud_truth == predict).mean())
# 打印精度最大的那一个三元组
print(max(results, key=lambda x: x[2]))
有问题可以一起交流：
计算机小硕 关注 python R Bigdata Machine Learning。
首页 资讯 文章 资源 小组 相亲 登录 注册 首页 最新文章 IT 职场 前端 后端 移动端 数据库 运维 其他技术 - 导航条 -首页最新文章IT 职场前端- JavaScript- HTML5- CSS后端- Python- Java- C/C++- PHP- .NE...
本文是sklearn官网文档中集成模型一文的翻译,加入了自己的理解，翻译中难免有误，仅作参考。 集成学习的目标是结合一组基学习器的预测构建学习算法来提高单个学习器的普遍性和健壮性。通常有两种方法： averaging:构建一组相互独立的学习器求预测的均值。由于方差的减小，组...
机器学习是做NLP和计算机视觉这类应用算法的基础，虽然现在深度学习模型大行其道，但是懂一些传统算法的原理和它们之间的区别还是很有必要的。可以帮助我们做一些模型选择。本篇博文就总结一下各种机器学习算法的特点和应用场景。本文是笔者结合自身面试中遇到的问题和总结网络上的资源得到的...
结合Scikit-learn介绍几种常用的特征选择方法 作者：Edwin Jarvis 特征选择(排序)对于数据科学家、机器学习从业者来说非常重要。好的特征选择能够提升模型的性能，更能帮助我们理解数据的特点、底层结构，这对进一步改善模型、算法都有着重要作用。 特征选择主要有...
特征选择 特征选择(排序)对于数据科学家、机器学习从业者来说非常重要。好的特征选择能够提升模型的性能，更能帮助我们理解数据的特点、底层结构，这对进一步改善模型、算法都有着重要作用。 特征选择主要有两个功能： 减少特征数量、降维，使模型泛化能力更强，减少过拟合 增强对特征和特...
我想和两个世界的建立更加紧密的联系。 其中一个当让是我们生活着的世界。 我们在这个世界中，努力工作，开心生活，寻找合适的投资机会。 第二个世界是我们区块链的世界，这个世界发展迅速，存在着各种令人耳目一新的创意，在这个世界里面我们可以和一群先行者相互学习相互讨论，甚至有机会改...
南海仲裁出炉，外焦里嫩！ 抵制党们开始蠢蠢欲动，民粹主义又开始狂卷肆虐，街头巷尾茶楼酒肆，连公共厕所里议事的话题都是如何如何反美抗日，捎带着灭了韩国菲律宾。上达学者，下至街头乞者都在冠冕堂皇地高举“爱国”这面大旗，要抵制美货、日货、韩货，顺便戒了香蕉，好给菲律宾以沉重的经济...
D21－11.19第二十一天 给天父，你面前，我愿先做对的人 给飞哥，愿与你同心同行 给女儿，进步好快，加油 给儿子，语言生动，思维敏捷 给小林，“大蒙眷爱的人哪！不要惧怕，愿你平安；你总要坚强。” D20—4.30第二十天 给天父，谢谢你帮助带领我们姐妹们的这21天智慧存...
【同读一本书】-018 《影响力》 【原文】：1.0% ｛专家解读：科学家的精神就是不断发现周围有规律的事情，并进一步考虑这些规律是否可以被我们有计划地应用从而可以达到人类的目的。这才是科学研究的最终目的。｝ 【思考】： 读到这段话，我深有感触。我认为，...活动回顾|太阳当空照、篮战球场多欢笑
&&&&&&&&核心提示：原标题：活动回顾 | 太阳当空照，篮战球场多欢笑
4月下旬 “悦汇杯”南海义工趣味运动会 在越秀悦汇天地篮战球场顺利开展
现场200多名志愿者共同参与 各种趣事百出 欢乐三人篮球赛 谁说胖子不能打？ 球场上身穿卡通服的小胖 打起来一个比一个带劲
左右滑动，精彩常有~
微信文章《活动回顾|太阳当空照、篮战球场多欢笑》由微信公众号发布,以下是小编收集整理的首页活动活动回顾本页面所有内容版权归上海丝芭文化传媒集团有限公司所有,授权范围内使用,请注明“来源:”,违者将追究法律责任。...本次活动主办方东易日盛不但联袂多家国际一线主材品牌商家,为大家奉献春季家装盛惠,现场更是为各位装修的小伙伴们送去了大礼包!发布时间:2017-04-...,希望对您有帮助.活动回顾|太阳当空照、篮战球场多欢笑(热门篇)力求为心怀抱负的记者、编辑,以及科学爱好者搭建出一个多层次、循序渐进的在线学习平台。本项目由杜邦中国集团有限公司支持,并入选为中国科协科普人才培训试点项目...和美微距离胎教音乐会第三篇和美宝宝生日会,童年乐趣乐美式育儿理念,教你不一样的育2013年度上半年质量改进报告会5月26日《托起明天的太阳》讲月子...活动回顾|太阳当空照、篮战球场多欢笑(精选篇)原标题：活动回顾 | 太阳当空照，篮战球场多欢笑
“悦汇杯”南海义工趣味运动会
在越秀悦汇天地篮战球场顺利开展
现场200多名志愿者共同参与
各种趣事百出
欢乐三人篮球赛
谁说胖子不能打？
球场上身穿卡通服的小胖
打起来一个比一个带劲
左右滑动，精彩常有~
亲子趣味运动
上阵不离“亲子团”
篮战球场上，孩子与父母也是“哥们”
一起出汗一起玩！
左右滑动，精彩常有~
点击视频，这里留下了我们的身影
南海燃气爱心服务队
广东东软学院青年志愿者服务队
小飞象党员志愿专业服务队
感谢各位参与者
有了大家的支持和参与
小小的赛事，也会充满无限的欢喜
希望篮球和这一片球场
能承载你更多的欢笑
（后台回复“pp”，可获取当天活动照片哦~）
返回首页，查看更多
责任编辑：活动回顾|太阳当空照、篮战球场多欢笑(相关篇)本次活动主办方东易日盛不但联袂多家国际一线主材品牌商家,为大家奉献春季家装盛惠,现场更是为各位装修的小伙伴们送去了大礼包!发布时间:2017-04-...80多个最具潜力的创业项目和500名业界最顶尖的投资...重度游戏当道,休闲类游戏是否有翻牌的机会?李朝晖...萌战姬鹦鹉游戏微疯客全民电竞赛事平台...看过此文的人还找过:太阳宫公园篮球场篮球场争夺战篮战球场篮球场战术板篮战球场 万胜围成都篮战球场篮战智慧球场街头篮球太阳的战士篮球场
420篇文章85.7万次阅读量日，加入微信公众号在微信公众公众平台，拥有1位订阅读者...
&&[宁夏银川市]
原标题：选秀前他对乔丹说： 选我！不然给你好看！
贾马尔·汀斯利 日出生于美国纽约布鲁克林 司职控球后卫 大学时期风光无限的汀斯利曾经被 美联社提名为全美年度最佳球员 入选全美最佳阵容二队 当选为大东区年度最佳球员
2001年选择参加选秀 选秀前对乔丹说 选。...
原标题：姚明开出首张罚单！效率，改变！惩前毖后！
北京时间3月21日中国篮协召开媒体通气会，通气会对CBA季后赛半决赛第四场辽宁主场迎战新疆的比赛出现的争议判罚开出罚单。
回到3月17日的这场比赛 在该场比赛中辽宁队赵继伟第二次投篮出手时距离赵继伟第一次接球共用时7.07秒，。...
原标题：世界街球之日本传奇街球手K-Ta........
街球的球迷除了知道国内和美国的那些街球大神之外 也不能忽视日本街球王K-Ta
他的打法各种体前变向、胯下运球、后撤步等 一连串的动作一气呵成 动作优美节奏也好 K-TA将这些动作练到炉火纯青 防守的人永远也不知道他会。...
原标题：时隔六年！粤疆两虎相争鹿死谁手？！
昨晚结束的CBA季后赛 半决赛第五轮的赛事当中 半决赛两组对战 广东宏远103比90战胜深圳烈豹
新疆以111比103轻取辽宁
广东与新疆都分别以总比分 4比1战胜各自对手挺进 2016-17赛季CBA总决赛 这是时隔6年后 广东。...
原标题：韦德常规赛报销！引人泪目，伤病请远离我们的热爱！
北京时间3月17日 芝加哥公牛队官方宣布 球队后卫德维恩-韦德 因伤将缺席本赛季剩余常规赛比赛
韦德在接受核磁共振检查后 结果显示他的手肘扭伤 并有轻微的骨折 韦德是在昨日对阵灰熊队的比赛中 与对手发生碰撞而造成手肘受。...
原标题：丁彦雨航：现在去NBA不算晚 | 带着梦的天真，昂首向前！
本赛季中有着出色表现的常规赛MVP丁彦雨航已远赴美国进行特训，据消息称期间会参与两支NBA球队的试训并且参加夏季联赛但具体球队暂时不确定，其中也包括去年NBA选秀大会上第二轮第43顺位选中周琦的火箭队莫雷届时将。...
原标题：篮球教学：教你如何跳步
跳步是很常见的一个进攻方式 对于习惯突破的后卫来说用得好 简直就是一把利刃 在攻击篮筐的时候 用这一招既可以保护好球又能躲避封盖 跳步之后的进攻选择又非常多 可以跳投可以抛投 可以传球可以上篮 建议后卫都学学跳步
上篮前的准备以及躲避防守 咱们。...
原标题：40岁在NBA还能做什么？他们诠释唯篮球与热爱不可辜负！
16/17赛季NBA常规赛 进入最后阶段 各队都在为季后赛的排名 作出最后的努力 纵观整个联盟中 有些球员也在为 职业生涯的最后的一段时间 做着最好的自己
40岁的快船队小前锋 曾经的绿军队魂 在凯尔特人拿下0。...
原标题：姚明王治郅再联手？男篮主帅可以有！
上个月姚明走马上任 担任中国篮协主席 在新一轮中国篮球备战周期中 担任最为重要的角色
众所周知 由于上一任男篮主教练宫鲁鸣 在里约奥运会结束之后 辞去主教练职务 而男篮主教练的席位 处以空缺的情况
而本赛季CBA联赛临近尾声 而新。...
原标题：詹姆斯“情史“你知道多少？
我来爆爆詹姆斯的情史啦...
都说打比赛是最重要的 但在詹姆斯这里却足以证明 与篮球比赛相比兄弟是更加重要的 而人第一时间的反应 往往是最真实的也是最本能的
遇到这种情况 詹姆斯并不是先救球 而是先把摔倒的欧文拽起来 再去救球
詹姆斯和。...
原标题：威少:为什么我不能成为最好的一个
苍了个天！ 今天，不走程序直接吹！ 早晨醒来整个篮球圈都知道 威斯布鲁克 在北京时间今天凌晨 对阵掘金的比赛中
在第四节最后两分钟 落后十分的情况下 完成逆转 最后时刻超远三分压哨绝杀！
全场出战37分钟 32投17中砍下50分10。...
原标题：篮球教学：低位动作
上期的抢板和上篮你 都学会了吗
今期小编来教大家低位动作lor~ 1、迷你晃动 接球以后双脚不动 肩部和头部做一个虚晃 然后转身跳投
首先在接球时要双脚离地 这样是为了避免在转身时走步违例
躯干和头部向反方向晃动 将防守人的防守重点吸引到这一侧。...
原标题：易建联：少说多做|就算满身伤痕也不曾后悔
CBA总决赛已经结束前两场比赛，新疆队在自己的两个主场顺利拿下，在总决赛7场的战局中占得先机。
而广东队板凳的深度不及新疆，领袖易建联饱受半决赛时与深圳队对阵时的膝伤以及手指划伤等伤病困扰一直无法以最好的状态去挑战对手，这也为。...
原标题：又一年，保罗脚步坚定，快船步履蹒跚
目前联盟顶尖控卫克里斯保罗所在的洛杉矶快船队目前排名西部第五，挺入季后赛不成问题，这也将会是保罗第六次率领快船征战季后赛。
球队在赛季初一段时间里排名西部前列，随着赛季进行，本赛季快船球员伤病问题严重，目前小里弗斯遭受脚筋拉伤困扰，。...
原标题：篮球教学：教你如何抢篮板同上篮
抢篮板可以靠技巧,上篮靠什么？ 今天来教教大家怎么抢篮板和上篮哦!!! 卡位技巧： 脚向对方球员迈出一步 架起前臂以挡住对手 转身面向篮筐 高举双手
争抢篮板中积极程度很重要 但是技巧上也不可马虎 你必须拥有良好的技巧 才能完成好抢篮板。...
原标题：NBA季后赛 | 狂胜？绝杀？他们将带来所有可能
4月16日NBA开始季后赛第一轮比赛，截止今天上午（4/17），16支季后赛球队都已先后登场亮相，有比分紧咬，有交替领先，有以下克上，有狂胜，更有压哨绝杀。
7场决胜的赛事，每一场比赛都不容有失，我们也可通过每组对决的。...
原标题：科比|想你的365天，那一天回忆青春
当科比这两字愈发的遥远时 可每当某个日期来到 必定会再一次点燃人们曾经的热情 81分纪念日 8月24日洛城科比日 今天的4月14 科比的退役一周年纪念日
曾看到这样一则故事：“365天前，我高三，跟班主任请假，说去网吧，看科比最后。...
原标题：NBA常规赛落下帷幕 | 季后赛首轮对阵产生
今天上午 2016/17赛季NBA常规赛 落下帷幕
在最后一天的常规赛中 同样决定了多支球队的 季后赛命运
东部方面 凯尔特人在今天战胜雄鹿 骑士败给猛龙之后 凯尔特人确定了东部第一的位置
凯尔特人将在首轮对阵 搭上季。...
原标题：新疆主场升起CBA有史以来最大总冠军旗帜
新疆冠军完梦！ 终于冲破了千年老二的宿命！
新疆队在红山体育馆举办了冠军之夜球迷嘉年华晚会 主场升起的这面总冠军旗帜宽8米、长12米 是CBA有史以来最大的总冠军旗帜 在巨旗升起的同时 新疆队老板孙广信高高举起总冠军至尊鼎 。...
原标题：保罗乔治 | 一直在肩负着责任，命运揽在自己手里的斗士
你会沮丧吗？ 如果系列赛 每一场的分差都在5分上下 每一场比赛都打到最后时刻 每一场的失利都是同一支球队 球队当家球星 五年内三次面对位的同一对手 全部败北 面对这样的处境你会有多沮丧?
步行者与骑士的系列赛 步。...
原标题：公牛在季后赛找到了朗多的使用说明书？
公牛以东部第八的身份挺入季后赛 并在与东部头号种子的 前两场对决中客场取胜 目前2:0领先大有黑八的态势 这其中关键因素无疑是朗多的存在
朗多面对旧主凯尔特人 表现出曾为顶级控卫的水准 场均贡献11.5分8.5篮板10助攻3.5抢。...
原标题：中国男篮现役最强阵容预测，你心中最强12人是谁？
现在CBA联赛已经结束 各个球队已经开始备战全运会 前中国男篮主教练宫鲁鸣已经签约安徽文一男篮
男篮主教练的位置也是空了很久 新一期男篮教练配备是 中方主教练配备外籍教练
所以有几个主教练在大名单之列 李秋平、李春江。...
原标题：小区球王？这片球场你说了算，篮战社区三对三开放报名
火热夏日即将袭来 时隔一年 篮战社区三对三 重燃战火 篮战球场 全新的街头篮球文化场地 势用三对三的对抗 点燃夏季的篮球盛宴
专业比赛球员太强 我打球就是想 投投篮 抢枪篮板 打打酱油 出出汗 篮战社区三对三 一定适。...
原标题：林书豪:“上帝给予我考验，我给予信念”
高中入选加利福尼亚州全州第一阵容
没有任何一所NCAA一级联盟学校为其 提供体育奖学金
但而后加盟哈佛大学 大四那年打出大学生涯的高光表现 一是在大四以27分8助攻6篮板的表现 率领哈佛大学爆冷 赢了17号种子波士顿学院 二是。...
原标题：倒计时| 明天成都阳光100米娅店开张嘉年华趴等你来
“兄弟，我想打篮球！” “对不起啊，我不知道哪里有篮球场地” 不是因为没有时间 不是因为没有伙伴 而是不知道哪里有篮球场地 而无法打一场酣畅淋漓的比赛 小编这就为你推荐绝好的篮球场 这个周末
约上兄弟来打篮球了
原标题：寻找五一射手，赢限量球星签名礼品 | 五一福利
劳动节 福利
赶快参加投篮小游戏！ 你是射手？ 别等了 玩篮球游戏赢取礼品 五一假期期间玩篮战投篮小游戏将有机会获得 由篮战送出的五一福利！ 参与方式 进入篮战微信公众号信息栏 输入“五一”或 了解详细规则 参与游戏 进。...
原标题：集齐七龙珠！第七个篮战球场——怡丰城店周末开业
篮战球场怡丰城店来啦！ 配以潮流元素 打造出酷炫的球场 一个半场再加一个全场 外设休息观看区
目前球场已经建造完毕 先来一睹为快吧
4月29日上午9点30正式开业
社区三对三 不仅仅是球员的秀场 也是球迷的嘉年华 。...
原标题：威少打光最后一颗子弹，结束是开始的哨声
威斯布鲁克头也不回 没有和对手相互致意 没有在场与哈登拥抱祝福地 离开赛场径直走回更衣室的时候 于此同时 雷霆与火箭的季后赛系列赛 结束了 没有捕捉到威少更多的表情
本场比赛最大的情绪体现 无疑是与贝弗利比赛中的 口角对彪 一副。...
原标题：邹雨宸将参选NBA | 年轻无惧艰难，年轻大有可为！
NBA难？ 只要有机会 咱努力一把再加多一把劲！ 年轻大胆尝试，无惧前路艰难！
邹雨宸参加NBA选秀大会 昨天是NBA选秀参选截止日，国内年轻球员中的翘楚，中国男篮国手、CBA八一男篮当家中锋邹雨宸报名参加2017。...
原标题：活动回顾 | 太阳当空照，篮战球场多欢笑
4月下旬 “悦汇杯”南海义工趣味运动会 在越秀悦汇天地篮战球场顺利开展
现场200多名志愿者共同参与 各种趣事百出 欢乐三人篮球赛 谁说胖子不能打？ 球场上身穿卡通服的小胖 打起来一个比一个带劲
左右滑动，精彩常有~
为您推荐更多微信好文章
原标题：2020年奥运赛场！百佳提名日本埼玉霞关乡村俱乐部(东球场)
埼玉霞关乡村俱乐部（Kasumigaseki Country Club）算是日本历史较长的高尔夫球场，日本历史上第一个拥有36洞的球场。球场如今已经成为日本的世界级名场，世界球场名设计师
埼玉霞关乡村俱。...
原标题：火爆！亚洲百佳打评第66站强势登陆昆明滇池湖畔！
北京时间日，亚洲百佳球场评委团继续前往昆明滇池湖畔高尔夫球会，进行评选活动的第66站测评。云高高尔夫创始人CEO张曜晖、亚洲百佳球场评选秘书长李太迎、原玉龙雪山董事长王云 、华村设计董事长吴卫群，人民评。...
原标题：持续火热！百佳打评团测评昆明玉龙湾球会
北京时间日，亚洲百佳球场评委团继续前往昆明玉龙湾高尔夫球会，开启第67站百佳评选活动的测评。亚洲百佳球场评选秘书长李太迎、云高高尔夫创始人CEO张曜晖、原玉龙雪山董事长王云 、华村设计董事长吴卫群，人民评委／知名。...
原标题：第68站！百佳打评团测评米克尔森杰作中信嘉丽泽运动俱乐部
北京时间日，亚洲百佳球场评委团继续前往中信嘉丽泽运动俱乐部，开启第68站百佳评选活动的测评。亚洲百佳球场评选秘书长李太迎、云高高尔夫创始人CEO张曜晖、原玉龙雪山董事长王云 、华村设计董事长吴卫。...
原标题：昆明站完美收官！百佳打评团测评大师之作昆明阳光高尔夫球会
北京时间日，亚洲百佳球场评委团前往昆明阳光高尔夫球会，开启本次云南区的最后一站、即第69站百佳评选活动的测评。亚洲百佳球场评选秘书长李太迎、云高高尔夫创始人CEO张曜晖、原玉龙雪山董事长王云 、。...
原标题：上海区首站火热开启！百佳评委测旗中花园高尔夫球会
北京时间日，百佳评委团一行前往上海旗中花园高尔夫球会，开启本次上海区的第一站、即第70站百佳评选活动的测评。亚洲百佳球场评选组委会代表、云高高尔夫联合创始人COO李昂、北京公开赛主席张鸿康、上海精英队会。...
原标题：美丽的西双版纳！百佳评委到访勐巴拉高尔夫球会！
北京时间日，百佳评委团小分队前往西双版纳勐巴拉国际高尔夫球会，开启了亚州百佳评选活动第71站测评。亚洲百佳球场评选秘书长李太迎、原玉龙雪山董事长王云 、华村设计董事长吴卫群等10位亚洲评委参与了本次测评。。...
原标题：火爆！百佳评委测评名将名场雅居乐米克尔森高尔夫俱乐部
北京时间日，百佳评委团一行前往上海雅居乐米克尔森高尔夫俱乐部，开启本次上海区的第二站、即第75站百佳评选活动的测评。亚洲百佳球场评选组委会代表、云高高尔夫联合创始人COO李昂、北京公开赛主席张鸿康、。...
原标题：持续发力！百佳测评第76站东庄海岸高尔夫俱乐部
北京时间日，百佳评委团一行前往上海东庄海岸高尔夫俱乐部，开启本次第76站百佳评选活动的测评。亚洲百佳球场评选组委会代表、云高高尔夫联合创始人COO李昂、北京公开赛主席张鸿康、上海精英队会长祁明、韩国评委代。...
原标题：王者气场！亚洲百佳测评顶级名场上海佘山俱乐部（第80站）
北京时间日，百佳评委团一行前往上海佘山国际高尔夫俱乐部，开启第80站百佳评选活动的测评。亚洲百佳球场评选组委会代表、云高高尔夫联合创始人COO李昂、李昊桐经纪雷蒙（爱思锐体育总裁）、韩国评委代表。...
原标题：活动回顾 | 太阳当空照，篮战球场多欢笑
4月下旬 “悦汇杯”南海义工趣味运动会 在越秀悦汇天地篮战球场顺利开展
现场200多名志愿者共同参与 各种趣事百出 欢乐三人篮球赛 谁说胖子不能打？ 球场上身穿卡通服的小胖 打起来一个比一个带劲
左右滑动，精彩常有~
原标题：“三下乡”会比你们想象有趣、有意义很多。 繁星支教服务队——第一天
7月5号， 繁星支教服务队带着满满的期待， 启程前往陆丰市谭西中心小学
AV8D动起来
我们开学啦！
开学典礼 领导们发表讲话
分发饮料 分班上课喽 舞蹈1班
原标题：白云| “携梦者”服务队三下乡（初期）
7月6日 伴随着丝丝细雨 广东工贸“携梦者”服务队带着给小朋友的物资 坐上了开往茂名信宜的大巴车 这一路上有山有水有笑声 容小编给你们细细道来...
沿途风景美得不用滤镜都能拍得很好看
经过7个小时 携梦者服务队终于抵。...
原标题：“关爱晚晴，一心向善”顺德农商银行北滘支行志愿者服务队开展长者送斋活动
顺德农商银行北滘支行志愿者服务队于2016年组建，自成立后持续参与一心社工的长者送斋活动，每月为北滘镇12个村居80多户长者送上一份美味的斋饭。下面就跟随农商君，来看看送斋活动中展现的温暖点滴。 。...
原标题：顺德农商银行乐意志愿者服务队顺利开展“献爱心，为孩子圆读书梦”公益活动
为让贫困山区儿童拥有一个图书馆，在同一蓝天下，畅游知识的海洋。7月，顺德农商银行乐从支行乐意志愿者服务队启动“爱心公益月活动”，联合碧桂园新城之光及向日葵爱心服务队开展“献爱心，为孩子圆读书梦”公。...
原标题：顺德农商银行杏坛支行志愿者服务队命名仪式暨志愿者服务系列公益活动
杏临千里，福至万家， 8月5日，顺德农商银行杏坛支行 志愿者服务队正式命名为 “杏福”志愿者服务队， 并举行了一系列公益活动。
活动当天下午， 举行了“关爱他人，惠及社会” 顺德农商银行杏坛支行 。...
原标题：绿色运动，爱心传递——乐意志愿者服务队公益骑行活动
传播绿色健康、阳光运动文化 倡导社会公益、爱心传递精神 8月26日，顺德农商银行乐从支行 乐意志愿者服务队 参与由碧桂园新城之光举办的 共享单车“环城骑迹” 佛山站公益活动 此次活动费用所得将全部捐赠给 肇庆怀集县甘洒。...
爱心飞扬进社区，创城文明冲锋在前
4月22日上午7:30，定州市爱心飞扬志愿服队来到市政府门前集合，由政府领导亲自带队前往迎泰新城社区开展“文明创城 美化环境 ”活动。
来到社区同政府领导一起劳动，并带动了社区居民也加入了美化环境的服务活动中。有的志愿者拿着铲子清理墙面牛皮癣[各种小广告]。...
点击上方“公众号” 可以订阅哦！ 4月10日上午，山区曙光志愿者服务队开展了由服务队干事和来自各个学院的志愿者们共同参与的沣...
点击上方蓝字关注水利与土木工程学院团委青年志愿者服务队秉承公平，公开的原则，于日经过严格的面试考核，最终拟定...
点击上方“公众号” 可以订阅哦！ 4月10日上午，山区曙光志愿者服务队开展了由服务队干事和来自各个学院的志愿者们共同参与的沣...
VIP：超级会员SVIPA
保证金：已缴纳 A 元保证金
联系人：A(女士)&A&
会员： [当前离线]
邮件:A电话：A手机:A
别扫这,太危险