Μοντέλο Μηχανικής Μάθησης Μέτρησης Επιδόσεων Παίκτη Μπέιζμπολ MLB

Μια ομάδα ερευνητών στο Τμήμα Επιστημών και Τεχνολογίας της Πληροφορίας του Πανεπιστημίου Πεν Στέιτ έχει αναπτύξει ένα μοντέλο μηχανικής μάθησης που μπορεί να μετρήσει καλύτερα τις επιδόσεις των παικτών και των ομάδων μπέιζμπολ σε σύντομο και μακρόχρονο διάστημα. Η νέα μέθοδος μετρήθηκε σε σύγκριση με τις υπάρχουσες στατιστικές μεθόδους ανάλυσης που ονομάζονται sabermetrics.

Η έρευνα παρουσιάστηκε σε ένα έγγραφο με τίτλο «Χρήση Μηχανικής Μάθησης για την Περιγραφή του Πώς οι Παίκτες Επηρεάζουν το Παιχνίδι στο MLB».

Βασίζοντας στο NLP και την Επικοινωνία Υπολογιστή

Η προσέγγιση της ομάδας βασίστηκε στις πρόσφατες προόδους στη φυσική γλώσσα και την επικοινωνία υπολογιστή και μπορεί να έχει μεγάλες επιπτώσεις στον τρόπο με τον οποίο μετράται η επίδραση του παίκτη στο παιχνίδι.

Ο Connor Heaton είναι υποψήφιος διδάκτωρ στο Τμήμα Επιστημών και Τεχνολογίας της Πληροφορίας.

Ο Heaton λέει ότι οι υπάρχουσες μεθόδους βασίζονται στον αριθμό των φορών που ένας παίκτης ή μια ομάδα επιτυγχάνει ένα διακριτό γεγονός, όπως την επίτευξη ενός χομ ραν. Αυτές οι μεθόδους δεν λαμβάνουν υπόψη το контέκστ του κάθε ενέργειας.

«Σκεφτείτε ένα σενάριο στο οποίο ένας παίκτης κατέγραψε ένα σινγκλ στην τελευταία του εμφάνιση», είπε ο Heaton. «Μπορεί να είχε χτυπήσει ένα ντρίμπλ xuống την γραμμή της τρίτης βάσης, προωθώντας έναν δρομέα από την πρώτη στη δεύτερη βάση και να νίκησε την ρίψη στην πρώτη βάση, ή να είχε χτυπήσει μια μπάλα στο sâu αριστερό πεδίο και να έφτασε στην πρώτη βάση άνετα αλλά δεν είχε την ταχύτητα να πιέσει για ένα νταμπλ. Η περιγραφή και των δύο καταστάσεων ως «ένα σινγκλ» είναι ακριβής αλλά δεν λέει όλη την ιστορία».

Το Νέο Μοντέλο

Το μοντέλο του Heaton βασίζεται στη μάθηση της σημασίας των ενεργειών του παιχνιδιού, η οποία βασίζεται στην επίδραση που έχουν στο παιχνίδι και στο контέκστ τους. Το μοντέλο τότε θεωρεί το παιχνίδι ως eine ακολουθία ενεργειών για να εξοδεύσει αριθμητικές αναπαραστάσεις του πώς οι παίκτες επηρεάζουν το παιχνίδι.

«Συχνά μιλάμε για το μπέιζμπολ με όρους «αυτός ο παίκτης είχε δύο σινγκλ και ένα νταμπλ χθες» ή «πήγε ένα από τέσσερα»», είπε ο Heaton. «Πολλοί από τους τρόπους με τους οποίους μιλάμε για το παιχνίδι συνοψίζουν τα γεγονότα με ένα συνοπτικό στατιστικό. «Η δουλειά μας προσπαθεί να πάρει μια ολιστική εικόνα του παιχνιδιού και να πάρει μια πιο νουανσική, υπολογιστική περιγραφή του πώς οι παίκτες επηρεάζουν το παιχνίδι».

Η νέα μέθοδος αξιοποιεί τεχνικές μοντελοποίησης ακολουθιών στη φυσική γλώσσα για να ermögουν στους υπολογιστές να μάθουν τη σημασία διαφορετικών λέξεων. Ο Heaton χρησιμοποίησε αυτήν την τεχνική για να διδάξει το μοντέλο του τη σημασία των ενεργειών του μπέιζμπολ, όπως η χτύπηση ενός σινγκλ. Το παιχνίδι μοντελοποιήθηκε ως μια ακολουθία ενεργειών.

«Η επίδραση αυτής της εργασίας είναι το πλαίσιο που προτείνεται για το τι που ονομάζω «ερώτηση του παιχνιδιού»», είπε ο Heaton. «Θεωρούμε το ως μια ακολουθία σε αυτό το整ο υπολογιστικό σκελετό για να μοντελοποιήσουμε ένα παιχνίδι».

Το μοντέλο είναι σε θέση να περιγράψει την επίδραση ενός παίκτη στο παιχνίδι σε σύντομο χρονικό διάστημα, και όταν συνδυαστεί με παραδοσιακές μεθόδους, μπορεί να προβλέψει τον νικητή ενός παιχνιδιού με πάνω από 59% ακρίβεια.

Εκπαίδευση του Μοντέλου

Οι ερευνητές εκπαίδευσαν το μοντέλο τους χρησιμοποιώντας δεδομένα που είχαν συλλεχθεί προηγουμένως από συστήματα που είχαν εγκατασταθεί σε γήπεδα μπέιζμπολ. Αυτά τα συστήματα παρακολουθούν λεπτομερείς πληροφορίες για κάθε πίτσινγκ, συμπεριλαμβανομένης της θέσης των παικτών, της κατοχής της βάσης και της ταχύτητας της πίτσινγκ. Δύο τύποι δεδομένων χρησιμοποιήθηκαν. Ο πρώτος ήταν δεδομένα πίτσινγκ-προς-πίτσινγκ, τα οποία βοήθησαν στην ανάλυση πληροφοριών όπως ο τύπος πίτσινγκ. Ο δεύτερος ήταν δεδομένα εποχής-προς-εποχή, τα οποία χρησιμοποιήθηκαν για να ερευνήσουν πληροφορίες σχετικές με τη θέση.

Κάθε πίτσινγκ στο συλλεχθέν conjunto δεδομένων είχε τρεις κύριες ιδιότητες, οι οποίες ήταν το συγκεκριμένο παιχνίδι, ο αριθμός της πίτσινγκ dentro του παιχνιδιού και ο αριθμός της πίτσινγκ dentro της πίτσινγκ. Αυτά τα δεδομένα επέτρεψαν στους ερευνητές να ανακατασκευάσουν την ακολουθία των ενεργειών που συνθέτουν ένα παιχνίδι μπέιζμπολ.

Για να περιγράψουν τα γεγονότα που συνέβησαν, πώς συνέβησαν και ποιος ήταν εμπλεκόμενος σε κάθε παιχνίδι, η ομάδα ταυτοποίησε 325 πιθανές αλλαγές παιχνιδιού που μπορούσαν να συμβούν όταν μια πίτσινγκ ρίχθηκε. Αυτό συνδυάστηκε με υπάρχοντα δεδομένα και οι εγγραφές των παικτών συμπληρώθηκαν.

Ο Prasenjit Mitra είναι καθηγητής επιστημών και τεχνολογίας της πληροφορίας, καθώς και συν-συγγραφέας του εγγράφου.

«Αυτή η εργασία έχει το δυναμικό να προωθήσει σημαντικά την κατάσταση της τέχνης στη sabermetrics», είπε ο καθηγητής Mitra. «Κατά της γνώσης μας, η δική μας είναι η πρώτη που καταγράφει και αντιπροσωπεύει μια νουανσική κατάσταση του παιχνιδιού και χρησιμοποιεί αυτήν την πληροφορία ως контέκστ για να αξιολογήσει τα ατομικά γεγονότα που μετρώνονται από τις παραδοσιακές στατιστικές — για παράδειγμα, με την αυτόματη κατασκευή ενός μοντέλου που καταλαβαίνει κρίσιμους моментους και κρίσιμους ενεργούς».