Konenäön ja tietokoneen näkemisen malli mittailee MLB-pelaajien suorituksia

Pennsylvanian osavaltion tietojenkäsittelytieteen 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”.

Konenäön ja tietokoneen näkemisen kehittäminen

Tutkijaryhmän lähestymistapa perustui viimeaikaisiin edistysaskeliin luonnollisen kielen prosessoinnissa ja tietokoneen näkemisessä, ja se 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 lyö köydellä. Nämä menetelmät eivät kuitenkaan huomioi kunkin toiminnan kontekstia.

“Ajattele tilannetta, jossa pelaaja sai yhden juoksun edellisessä vuorossaan”, sanoi Heaton. “Hän olisi voinut lyödä pallon kolmospuolelle ja edetä juoksijan toiselle pesälle ja voittaa heiton ensimmäiselle pesälle, tai lyödä pallon syvälle vasempaan kenttään ja saada yhden juoksun helposti, mutta ei ollut nopeutta pyrkiäkseen kaksinkertaiseen. Kuvaaminen molempia tilanteita “yhden” tuloksena on tarkin, 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.

“Usein puhumme baseballista termein ‘tämä pelaaja sai kaksi yhtä ja kaksi kertaa'”, sanoi Heaton. “Monet tapojen, joilla puhumme pelistä, yhteenvedon tapahtumia yhden yhteenvetokertoimen kanssa. “Työmme on yrittää saada kokonaiskuva pelistä ja saada tarkempi, laskennallinen kuvaus siitä, miten pelaajat vaikuttavat peliin.”

Uusi menetelmä hyödyntää järjestelmällisiä mallintamismenetelmiä luonnollisen kielen prosessoinnissa, jotta tietokoneet voivat oppia eri sanojen merkityksen. Heaton käytti tätä opettaakseen mallilleen baseball-pelitapahtumien merkityksen, kuten lyöminen. 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.

Kunkin syötön kokoelmassa oli kolme tärkeää ominaisuutta, jotka olivat tietty peli, vuorovuoro pelissä ja syötön numero vuorovuosina. Tämä tieto mahdollisti tutkijoiden jälleenrakentaa pelin muodostavan tapahtumien jatkumon.

Kuvaamaan tapahtumia, miten ne tapahtuivat ja kuka oli mukana kussakin pelissä, tiimi tunnisti 325 mahdollista pelin muutosta, joka voi tapahtua, kun syöttö heitetään. Tämä yhdistettiin olemassa oleviin tietoihin ja pelaajien ennustetut ennusteet.

Prasenjit Mitra on tietojenkäsittelytieteen professori ja tutkimuksen 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.”