Maschinelles Lernen-Modell misst die Leistung von MLB-Spielern

Ein Team von Forschern an der Penn State College of Information Sciences and Technology hat ein Maschinelles Lernen-Modell entwickelt, das die Leistung von Baseballspielern und Teams sowohl kurz- als auch langfristig besser messen kann. Die neue Methode wurde gegen bestehende statistische Analysemethode getestet, die als Sabermetrik bezeichnet werden.

Die Forschung wurde in einem Paper mit dem Titel “Maschinelles Lernen zur Beschreibung der Auswirkungen von Spielern auf das Spiel in der MLB” vorgestellt.

Aufbau auf NLP und Computer Vision

Der Ansatz des Teams basierte auf jüngsten Fortschritten im Bereich der natürlichen Sprachverarbeitung und Computer Vision und könnte große Auswirkungen auf die Art und Weise haben, wie die Auswirkungen eines Spielers auf das Spiel gemessen werden.

Connor Heaton ist ein Doktorand am College of IST.

Heaton sagt, dass die bestehenden Methoden auf der Anzahl der Male basieren, die ein Spieler oder ein Team ein bestimmtes Ereignis erreicht, wie zum Beispiel ein Home Run. Diese Methoden berücksichtigen jedoch nicht den Kontext jeder Aktion.

“Stellen Sie sich ein Szenario vor, in dem ein Spieler in seinem letzten Plate-Auftritt einen Single erzielt”, sagte Heaton. “Er könnte einen Dribbler auf die dritte Base geschlagen haben, einen Läufer von der ersten zur zweiten Base vorgerückt und den Wurf zum ersten Mal geschlagen, oder einen Ball tief in das linke Feld geschlagen und bequem die erste Base erreicht, ohne jedoch die Geschwindigkeit zu haben, um ein Doppel zu erreichen. Es ist genau, wenn man beide Situationen als ‘einen Single’ bezeichnet, aber das erzählt nicht die ganze Geschichte.”

Das neue Modell

Heatons Modell basiert auf dem Lernen der Bedeutung von Ereignissen im Spiel, die auf ihre Auswirkungen auf das Spiel und ihren Kontext basieren. Das Modell betrachtet das Spiel dann als eine Folge von Ereignissen, um numerische Darstellungen davon zu erstellen, wie Spieler das Spiel beeinflussen.

“Wir sprechen oft über Baseball in Bezug auf ‘diesen Spieler hatte zwei Singles und ein Doppel gestern’ oder ‘er war eins von vier'”, sagte Heaton. “Viele der Wege, auf die wir über das Spiel sprechen, fassen die Ereignisse mit einer einzigen Zusammenfassungsstatistik zusammen. Unsere Arbeit versucht, ein umfassenderes Bild des Spiels zu erstellen und eine nuanciertere, computergestützte Beschreibung davon, wie Spieler das Spiel beeinflussen.”

Die neue Methode nutzt sequenzielle Modellierungstechniken in der NLP, um Computern beizubringen, die Bedeutung unterschiedlicher Wörter zu lernen. Heaton nutzte dies, um seinem Modell die Bedeutung von Ereignissen im Baseballspiel beizubringen, wie zum Beispiel einem Schlagmann, der einen Single schlägt. Das Spiel wurde dann als eine Folge von Ereignissen modelliert.

“Die Auswirkung dieser Arbeit ist das Rahmenwerk, das für das, was ich ‘Befragung des Spiels’ nenne, vorgeschlagen wird”, sagte Heaton. “Wir betrachten es als eine Folge in diesem ganzen computergestützten Gerüst, um ein Spiel zu modellieren.”

Das Modell kann die Auswirkung eines Spielers auf das Spiel über den kurzen Zeitraum hinweg beschreiben und kann, wenn es mit herkömmlichen Methoden kombiniert wird, den Gewinner eines Spiels mit über 59% Genauigkeit vorhersagen.

Trainieren des Modells

Die Forscher trainierten ihr Modell, indem sie Daten verwendeten, die zuvor von Systemen gesammelt wurden, die in den Stadien der Major League Baseball installiert waren. Diese Systeme verfolgen detaillierte Informationen für jeden Pitch, einschließlich Spielerpositionierung, Base-Belegung und Pitch-Geschwindigkeit. Zwei Arten von Daten wurden verwendet. Die erste war Pitch-für-Pitch-Daten, die halfen, Informationen wie Pitch-Typ zu analysieren. Die zweite war Saison-für-Saison-Daten, die verwendet wurden, um positionsspezifische Informationen zu untersuchen.

Jeder Pitch in der gesammelten Datenmenge hatte drei wichtige Merkmale, nämlich das spezifische Spiel, die Anzahl der At-Bats innerhalb des Spiels und die Anzahl der Pitches innerhalb des At-Bats. Diese Daten ermöglichten es den Forschern, die Folge von Ereignissen zu rekonstruieren, die ein MLB-Spiel ausmachen.

Um die Ereignisse zu beschreiben, die passierten, wie sie passierten und wer an jedem Spiel beteiligt war, identifizierten das Team 325 mögliche Spieländerungen, die auftreten konnten, wenn ein Pitch geworfen wurde. Dies wurde dann mit bestehenden Daten kombiniert und Spielerrekorde wurden interpoliert.

Prasenjit Mitra ist Professor für Information Sciences and Technology und Co-Autor des Papiers.

“Diese Arbeit hat das Potenzial, den Stand der Technik in der Sabermetrik erheblich voranzubringen”, sagte Prof. Mitra. “Soweit wir wissen, sind wir die Ersten, die einen nuancierten Zustand des Spiels erfassen und darstellen und diese Informationen als Kontext verwenden, um die einzelnen Ereignisse zu bewerten, die von herkömmlichen Statistiken gezählt werden – zum Beispiel, indem wir automatisch ein Modell aufbauen, das wichtige Momente und entscheidende Ereignisse versteht.”