Modelo de aprendizaje automático para medir el rendimiento de los jugadores de béisbol de la MLB

Un equipo de investigadores de la Facultad de Ciencias y Tecnología de la Información de la Universidad Estatal de Pensilvania ha desarrollado un modelo de aprendizaje automático que puede medir mejor el rendimiento a corto y largo plazo de los jugadores y equipos de béisbol. El nuevo método se midió en comparación con los métodos de análisis estadístico existentes llamados sabermetría.

La investigación se presentó en un artículo titulado “Uso de aprendizaje automático para describir cómo los jugadores impactan el juego en la MLB”.

Basado en NLP y visión por computadora

El enfoque del equipo se basó en los avances recientes en procesamiento de lenguaje natural y visión por computadora, y podría tener grandes implicaciones para la forma en que se mide el impacto de los jugadores en el juego.

Connor Heaton es un candidato a doctorado en la Facultad de IST.

Heaton dice que la familia existente de métodos se basa en la cantidad de veces que un jugador o equipo logra un evento discreto, como golpear un jonrón. Estos métodos no consideran el contexto de cada acción.

“Piense en un escenario en el que un jugador registró un sencillo en su última aparición en el plato”, dijo Heaton. “Podría haber golpeado un rodado hacia la línea de la tercera base, avanzando un corredor de la primera a la segunda base y superando el lanzamiento a la primera base, o golpeado una pelota hacia el jardín izquierdo y llegado a la primera base cómodamente, pero no tuvo la velocidad para intentar un doble. Describir ambas situaciones como ‘un sencillo’ es preciso, pero no cuenta toda la historia”.

El nuevo modelo

El modelo de Heaton se basa en aprender el significado de los eventos dentro del juego, que se basa en el impacto que tienen en el juego y su contexto. El modelo luego ve el juego como una secuencia de eventos para producir representaciones numéricas de cómo los jugadores impactan el juego.

“A menudo hablamos de béisbol en términos de ‘este jugador tuvo dos sencillos y un doble ayer’ o ‘fue uno de cuatro'”, dijo Heaton. “Muchas de las formas en que hablamos del juego resumen los eventos con una sola estadística. Nuestro trabajo está tratando de tomar una imagen más holística del juego y obtener una descripción más matizada y computacional de cómo los jugadores impactan el juego”.

El nuevo método aprovecha las técnicas de modelado secuencial en NLP para permitir que las computadoras aprendan el significado de diferentes palabras. Heaton utilizó esto para enseñar a su modelo el significado de los eventos en el juego de béisbol, como cuando un bateador golpea un sencillo. El juego se modeló como una secuencia de eventos.

“El impacto de este trabajo es el marco que se propone para lo que me gusta llamar ‘interrogar el juego'”, dijo Heaton. “Estamos viendo el juego como una secuencia en este esquema computacional para modelar un juego”.

El modelo puede describir la influencia de un jugador en el juego a corto plazo, y cuando se combina con métodos tradicionales, puede predecir al ganador de un juego con más del 59% de precisión.

Entrenamiento del modelo

Los investigadores entrenaron su modelo utilizando datos recopilados previamente de sistemas instalados en estadios de béisbol de ligas mayores. Estos sistemas rastrean información detallada para cada lanzamiento, incluyendo la posición de los jugadores, la ocupación de las bases y la velocidad del lanzamiento. Se utilizaron dos tipos de datos. El primero fue el dato de lanzamiento por lanzamiento, que ayudó a analizar información como el tipo de lanzamiento. El segundo fue el dato de temporada por temporada, utilizado para investigar información específica de posición.

Cada lanzamiento dentro del conjunto de datos tenía tres características principales, que eran el juego específico, el número de turno en el juego y el número de lanzamiento en el turno. Estos datos permitieron a los investigadores reconstruir la secuencia de eventos que componen un juego de la MLB.

Para describir los eventos que ocurrieron, cómo ocurrieron y quién estuvo involucrado en cada jugada, el equipo identificó 325 cambios de juego posibles que podrían ocurrir cuando se lanza una pelota. Esto se combinó con los datos existentes y se imputaron los registros de los jugadores.

Prasenjit Mitra es profesor de ciencias y tecnología de la información, así como coautor del artículo.

“Este trabajo tiene el potencial de avanzar significativamente el estado del arte en sabermetría”, dijo el profesor Mitra. “Hasta donde sabemos, somos los primeros en capturar y representar un estado matizado del juego y utilizar esta información como contexto para evaluar los eventos individuales que se cuentan por las estadísticas tradicionales, por ejemplo, construyendo automáticamente un modelo que comprenda los momentos clave y los eventos decisivos”.