前言：
每個人都有不同的分析策略，就像股票市場有基本面、技術面、籌碼面、消息面等等。只要是這種充滿太多不確定性的遊戲，參與者都只能在眾多的假設之下，將問題簡化後逕行解決。本人的方法絕對不是最佳解，但是CP值應該還不錯（不用花太多時間），歡迎各位提供改良之建議，也誠心希望有網站parser的高手可以合作。
假設：
本人雖然看棒球，但是沒辦法像各位專家一樣分析地鉅細靡遺。尤其看到各位板友精闢的分析，本人更是自嘆自知無法達到此境界。既然自身無法達到各位專家的境界，不如借群眾智慧之力，試圖在此間預測一二。
而群眾智慧最精華最容易量化的所在，便是運彩賠率。不管是賭客的群眾智慧，抑或精算師的心血結晶（當然，也有可能只是抄賠率的工讀生？），眾人為了將自己的利益最大化，無不絞盡腦汁做出最佳分析。本人即可奠基於此群眾智慧，開始做進一步地分析。
方法：
本人主要的方法是機器學習(machine learning)。機器學習主要是設計和分析一些讓計算機可以自動「學習」的演算法：從數據中自動分析獲得規律，並利用規律對未知數據進行預測。簡言之，蒐集大量的數據，選擇適當的feature及label，即可讓機器學習演算法學到兩者間的關聯。
以本人的方法為例，feature就是[客讓分賠率, 客不讓賠率, 主讓分賠率, 客不讓賠率]，label就是0或1（客贏為0，主贏為1。或是客讓分贏為0，主讓分贏為1。依照想要分析的結果而定）。
實作：
在本人刻苦耐勞手動將最近三個多月的比賽結果輸入後，即得到一千三百多筆數據（本人對網站parser不太熟，歡迎板友提供協助）。
機器學習採用最常用的向量支持機（support vector machine, SVM），實作為台大之光林智仁教授的libsvm（主要支援MATLAB、Python）。
一開始得到的結果相當直觀：在絕大多數狀況下，都是選擇賠率小的。此結論相當符合直覺，且在大量統計資料下的準確率大約為60%（大於50%，也就是比random guess好）。更準確地說，是使用了10-fold cross–validation驗證機器學習的準確率，而準確率約為六成。
為了進一步增加準確率，另外使用了機率的結果：SVM可以透過資料點與support vectors建立出來的平面之距離，換算成機率。換言之，不只可以預測結果為1或0，更可以評估預測的可能性，這也就是我在po文中提到的過關率。所以最後我可以挑出可能性較高的幾組，作為推薦的依據。
優點：
減少分析的時間。
缺點：
賠率變動會影響預測結果。
結語：
再次強調，這只是眾多分析方式的其中一種。本人也只是利用閒暇時間，將自身所學使用在這個問題上面。希望可以提供大家一些不一樣的分析方式。歡迎各位提供改良之建議。