Maskinlæringsmodel måler MLB-spilleres præstationer

Et hold af forskere ved Penn State College of Information Sciences and Technology har udviklet en maskinlæringsmodel, der kan måle baseballspillere og holds kort- og langsigtede præstationer bedre. Den nye metode blev målt op imod eksisterende statistiske analysemetoder kaldet sabermetrics.

Forskningen blev præsenteret i en artikel med titlen “Using Machine Learning to Describe How Players Impact the Game in the MLB.”

Bygning på NLP og Computer Vision

Holdets tilgang byggede på nyere fremskridt inden for naturlig sprogbehandling og computer vision, og det kan have store implikationer for måden, hvorpå spillerens indvirkning på spillet måles.

Connor Heaton er en ph.d.-stipendiat ved College of IST.

Heaton siger, at den eksisterende familie af metoder afhænger af, hvor mange gange en spiller eller hold opnår en diskret begivenhed, såsom at slå en home run. Disse metoder fejler at tage hensyn til konteksten af hver handling.

“Tænk på en situation, hvor en spiller fik en single i sin sidste plate-appearance,” sagde Heaton. “Han kunne have ramt en dribler ned ad tredje baselinjen, avanceret en løber fra første til anden og slået til første base, eller ramt en bold dybt ud i venstre felt og nået første base komfortabelt, men ikke havde nok fart til at gå efter en double. At beskrive begge situationer som ‘en single’ er korrekt, men fortæller ikke hele historien.”

Den nye model

Heatons model afhænger af at lære betydningen af begivenheder i spillet, som er baseret på deres indvirkning på spillet og deres kontekst. Modellen ser herefter på spillet som en sekvens af begivenheder for at udgive numeriske repræsentationer af, hvordan spillere påvirker spillet.

“Vi taler ofte om baseball i termer af ‘denne spiller fik to singles og en double i går’ eller ‘han gik en ud af fire’,” sagde Heaton. “Mange af måderne, hvorpå vi taler om spillet, summerer begivenhederne op med en enkelt summary-statistik. Vores arbejde forsøger at tage et mere holistisk billede af spillet og at få en mere nuanceret, beregningsmæssig beskrivelse af, hvordan spillere påvirker spillet.”

Den nye metode udnytter sekventielle modelleringsteknikker i NLP til at aktivere computere til at lære betydningen af forskellige ord. Heaton brugte dette til at lære sin model betydningen af begivenheder i baseballspillet, såsom en batter, der rammer en single. Spillet blev herefter modelleret som en sekvens af begivenheder.

“Indvirkningen af dette arbejde er rammen, der er foreslået for, hvad jeg kalder ‘at afhøre spillet,'” sagde Heaton. “Vi ser på det som en sekvens i denne hele beregningsmæssige ramme til at modellere et spil.”

Modellen kan beskrive en spillers indvirkning på spillet over kort tid, og når den kombineres med traditionelle metoder, kan den forudsige vinderen af et spil med over 59% nøjagtighed.

Træning af modellen

Forskerne trænede deres model ved at bruge data, der tidligere var indsamlet fra systemer, der var installeret på større baseballstadioner. Disse systemer sporer detaljeret information for hver pitch, herunder spillerposition, basebesætning og pitchhastighed. To typer data blev brugt. Den første var pitch-for-pitch-data, der hjalp med at analysere information som pitch-type. Den anden var sæson-for-sæson-data, der blev brugt til at undersøge positionsspecifik information.

Hver pitch i den indsamlede dataset havde tre store funktioner, der var det specifikke spil, antallet af plate-appearances i spillet og pitch-nummeret i plate-appearance. Denne data gjorde det muligt for forskerne at genskabe sekvensen af begivenheder, der udgør et MLB-spil.

For at beskrive begivenhederne, der skete, hvordan de skete, og hvem der var involveret i hver spil, identificerede holdet 325 mulige spilændringer, der kunne opstå, når en pitch blev kastet. Dette blev kombineret med eksisterende data, og spillernes rekorder blev imputeret.

Prasenjit Mitra er professor i informationsvidenskab og -teknologi samt medforfatter af artiklen.

“Dette arbejde har potentialet til at fremme tilstanden for sabermetrics betydeligt,” sagde prof. Mitra. “Ifølge vores bedste viden er vores det første, der fanger og repræsenterer en nuanceret tilstand af spillet og bruger denne information som kontekst til at evaluere de enkelte begivenheder, der tælles af traditionelle statistikker – for eksempel ved at bygge en model, der forstår nøgleøjeblikke og clutch-begivenheder.”