AI-mallit ja alustat
Koneoppimismalli mittaa MLB-pelaajien suorituksia

Keskeiset kohdatPenn Staten ML-malli mittaa MLB-pelaajien vaikutusta oppimalla tapahtumien kontekstia…
Näytä lisää
- Penn Staten ML-malli mittaa MLB-pelaajien vaikutusta oppimalla tapahtumien kontekstia, ei pelkkiä lukumääriä.
- Malli käsittelee baseball-otteluita sarjoina ja käyttää NLP-tekniikoita pelitilanteiden merkityksen ymmärtämiseen.
- Yhdistettynä perinteisiin tilastoihin malli ennustaa otteluiden voittajia yli 59 prosentin tarkkuudella.
Penn State -yliopiston informaatio- ja teknologiatieteiden korkeakoulun tutkijaryhmä on kehittänyt koneoppimismallin, joka voi mitata baseballpelaajien ja joukkueiden lyhyen ja pitkän aikavälin suorituksia paremmin. Uusi menetelmä mitattiin olemassa olevia tilastollisia analyysimenetelmiä vastaan, jotka kutsutaan sabermetriikaksi.
Tutkimus esiteltiin tutkimuspaperissa, jonka otsikko on “Koneoppimisen käyttäminen pelaajien vaikutuksen kuvaamiseen MLB:ssä”.
Luonnollisen kielen käsittelyyn ja konenäköön pohjautuva lähestymistapa
Tutkijaryhmän lähestymistapa perustui viimeaikaisiin edistysaskeliin luonnollisen kielen prosessoinnissa ja konenäössä, ja sillä voi olla suuri vaikutus siihen, miten pelaajan vaikutus peliin mitataan.
Connor Heaton on tohtorikoulutettava IST-korkeakoulussa.
Heaton sanoo, että olemassa oleva menetelmien perhe tukeutuu siihen, kuinka usein pelaaja tai joukkue saavuttaa erillisen tapahtuman, kuten kunnarin lyöminen. Nämä menetelmät eivät kuitenkaan huomioi kunkin toiminnan kontekstia.
“Ajattele tilannetta, jossa pelaaja löi yhden pesän arvoisen osuman viimeisellä lyöntivuorollaan”, Heaton sanoi. “Hän on voinut lyödä heikon maapallon kolmospesän rajaa pitkin, siirtää juoksijan ykköseltä kakkoselle ja ehtiä itse ykköselle ennen heittoa. Tai hän on voinut lyödä pallon syvälle vasemmalle ulkokentälle ja päästä helposti ykköspesälle, mutta hänen nopeutensa ei ole riittänyt kahden pesän lyöntiin. Molempien tilanteiden kuvaaminen yhden pesän osumaksi on oikein, mutta se ei kerro koko tarinaa.”
Uusi malli
Heatonin malli perustuu siihen, että se oppii pelitapahtumien merkityksen, joka perustuu siihen, miten ne vaikuttavat peliin ja niiden kontekstiin. Malli näkee pelin tapahtumien jatkumona ja antaa numeerisia edustuksia siitä, miten pelaajat vaikuttavat peliin.
“Puhumme baseballista usein tyyliin ‘tämä pelaaja löi eilen kaksi yhden pesän osumaa ja yhden kahden pesän osuman’ tai ‘hän sai yhden osuman neljällä virallisella lyöntivuorolla'”, Heaton sanoi. “Monet tapamme puhua pelistä tiivistävät tapahtumat yhdeksi tunnusluvuksi. Työmme pyrkii muodostamaan kokonaisvaltaisemman kuvan pelistä ja vivahteikkaamman laskennallisen kuvauksen siitä, miten pelaajat vaikuttavat peliin.”
Uusi menetelmä hyödyntää sekventiaalisia mallinnustekniikoita luonnollisen kielen prosessoinnissa, jotta tietokoneet voivat oppia eri sanojen merkityksen. Heaton käytti tätä opettaakseen mallilleen baseball-pelitapahtumien merkityksen, kuten lyöjän yhden pesän osuma. Peliä mallinnettiin tapahtumien jatkumona.
“Tämän työn vaikutus on kehys, jonka olen ehdottanut ‘pelitutkimukseksi'”, sanoi Heaton. “Näemme sen jatkumona koko laskennallisessa rakenteessa mallinnettavaksi peliksi.”
Malli pystyy kuvaamaan pelaajan vaikutuksen peliin lyhyellä aikavälillä, ja yhdistettynä perinteisiin menetelmiin se voi ennustaa pelin voittajan yli 59 prosentin tarkkuudella.
Mallin koulutus
Tutkijat kouluttivat mallinsa käyttäen aikaisemmin kerättyjä tietoja major league -baseball-stadionien järjestelmissä. Nämä järjestelmät seuraavat yksityiskohtaisia tietoja jokaisesta syötöstä, mukaan lukien pelaajien sijainti, pesäpaikkojen tila ja syötön nopeus. Käytettiin kahta tietotyyppiä. Ensimmäinen oli syötönkohtainen tieto, joka auttoi analysoimaan tietoja kuten syötön tyyppi. Toinen oli kausikohtainen tieto, jota käytettiin tutkimaan asemakohtaisia tietoja.
Kerätyn aineiston jokaiseen syöttöön liittyi kolme keskeistä ominaisuutta: tietty ottelu, lyöntivuoron järjestysnumero ottelussa ja syötön järjestysnumero kyseisessä lyöntivuorossa. Näiden tietojen avulla tutkijat pystyivät rekonstruoimaan MLB-ottelun muodostavan tapahtumaketjun.
Kuvaamaan tapahtumia, miten ne tapahtuivat ja kuka oli mukana kussakin pelissä, tiimi tunnisti 325 mahdollista pelin muutosta, joka voi tapahtua, kun syöttö heitetään. Nämä yhdistettiin olemassa oleviin tietoihin, ja pelaajien puuttuvia tietoja täydennettiin imputoimalla.
Prasenjit Mitra on informaatio- ja teknologiatieteiden professori ja tutkimuksen toinen kirjoittaja.
“Tämä työ voi merkittävästi edistää sabermetriikan nykytilaa”, sanoi prof. Mitra. “Parhaan tietämyksemme mukaan meidän on ensimmäinen, joka pyydystää ja edustaa pelin hienostunutta tilaa ja käyttää tätä tietoa yksittäisten tapahtumien arvioimiseen, jotka perinteiset tilastot laskevat – esimerkiksi rakentamalla automaattisesti mallin, joka ymmärtää avainhetket ja tärkeät tapahtumat.”












