मशीन लर्निंग मॉडल एमएलबी प्लेयर्स के प्रदर्शन को मापता है

पेन स्टेट कॉलेज ऑफ़ इन्फ़र्मेशन साइंसेज़ एंड टेक्नोलॉजी में शोधकर्ताओं की एक टीम ने एक मशीन लर्निंग मॉडल विकसित किया है जो बेसबॉल खिलाड़ियों और टीमों के शॉर्ट- और लॉन्ग-टर्म प्रदर्शन को बेहतर ढंग से माप सकता है। इस नए तरीके को मौजूदा सांख्यिकीय विश्लेषण विधियों के साथ तुलना की गई थी, जिन्हें साबरमेट्रिक्स कहा जाता है।

इस शोध को “एमएलबी में खिलाड़ियों के खेल पर प्रभाव का वर्णन करने के लिए मशीन लर्निंग का उपयोग” नामक एक पेपर में प्रस्तुत किया गया था।

एनएलपी और कंप्यूटर विजन पर निर्माण

टीम के दृष्टिकोण ने प्राकृतिक भाषा प्रसंस्करण और कंप्यूटर दृष्टि में हाल की प्रगति पर निर्भर किया, और इसके बड़े प्रभाव हो सकते हैं कि खिलाड़ी के खेल पर प्रभाव को कैसे मापा जाता है।

कॉनर हीटन कॉलेज ऑफ़ आईएसटी में एक पीएचडी उम्मीदवार हैं।

हीटन का कहना है कि मौजूदा तरीकों का परिवार एक खिलाड़ी या टीम द्वारा एक विशिष्ट घटना को पूरा करने की संख्या पर निर्भर करता है, जैसे कि एक होम रन मारना। इन तरीकों में प्रत्येक क्रिया के संदर्भ को ध्यान में नहीं रखा जाता है।

“एक ऐसी स्थिति के बारे में सोचें जिसमें एक खिलाड़ी ने अपनी आखिरी प्लेट उपस्थिति में एक सिंगल रिकॉर्ड किया,” हीटन ने कहा। “उन्होंने तीसरे बेस लाइन के नीचे एक ड्रिबल मारा हो सकता है, पहले से दूसरे बेस पर एक रनर को आगे बढ़ाया और पहले बेस पर फेंक को हराया, या गहरे बाएं क्षेत्र में एक गेंद मारी और आराम से पहले बेस पर पहुंचे, लेकिन दूसरे बेस के लिए पुश करने के लिए पर्याप्त गति नहीं थी। दोनों स्थितियों को ‘एक सिंगल’ के परिणामस्वरूप वर्णित करना सटीक है, लेकिन यह पूरी कहानी नहीं बताता है।”

नया मॉडल

हीटन का मॉडल खेल के दौरान होने वाली घटनाओं के अर्थ को सीखने पर निर्भर करता है, जो उनके प्रभाव और संदर्भ पर आधारित है। फिर मॉडल खेल को घटनाओं की एक श्रृंखला के रूप में देखता है और खिलाड़ियों के खेल पर प्रभाव के संख्यात्मक प्रतिनिधित्व का उत्पादन करता है।

“हम अक्सर बेसबॉल के बारे में ‘इस खिलाड़ी ने कल दो सिंगल और एक डबल किया’ या ‘वह एक से चार गया’ जैसी बातें कहते हैं,” हीटन ने कहा। “बेसबॉल के बारे में हम जिस तरह से बात करते हैं वह अक्सर घटनाओं को एक सारांश आंकड़े में संक्षेपित करता है। हमारा काम खेल की एक अधिक व्यापक तस्वीर लेने और खिलाड़ियों के खेल पर प्रभाव का एक अधिक सूक्ष्म, गणनात्मक विवरण प्राप्त करने की कोशिश कर रहा है।”

नई विधि एनएलपी में अनुक्रमिक मॉडलिंग तकनीकों का लाभ उठाती है ताकि कंप्यूटर विभिन्न शब्दों के अर्थ सीख सकें। हीटन ने इसे अपने मॉडल को बेसबॉल गेम में घटनाओं के अर्थ सिखाने के लिए उपयोग किया, जैसे कि एक बैटर द्वारा एक सिंगल मारना। खेल को तब एक घटना की श्रृंखला के रूप में मॉडल किया गया था।

“इस काम का प्रभाव यह फ्रेमवर्क है जो मैं ‘खेल की जांच’ के लिए प्रस्तावित करता हूं,” हीटन ने कहा। “हम इसे एक अनुक्रम के रूप में देख रहे हैं जो इस पूरे गणनात्मक ढांचे में खेल को मॉडल करता है।”

मॉडल एक खिलाड़ी के खेल पर अल्पकालिक प्रभाव का वर्णन कर सकता है, और जब इसे पारंपरिक तरीकों के साथ जोड़ा जाता है, तो यह 59% से अधिक सटीकता के साथ एक गेम के विजेता की भविष्यवाणी कर सकता है।

मॉडल को प्रशिक्षित करना

शोधकर्ताओं ने अपने मॉडल को प्रशिक्षित करने के लिए मेजर लीग बेसबॉल स्टेडियमों में स्थापित प्रणालियों से पहले से एकत्र किए गए डेटा का उपयोग किया। इन प्रणालियों में प्रत्येक पिच के लिए विस्तृत जानकारी ट्रैक की जाती है, जिसमें खिलाड़ी की स्थिति, बेस का कब्ज़ा और पिच की गति शामिल है। दो प्रकार के डेटा का उपयोग किया गया था। पहला पिच-दर-पिच डेटा था, जिसने पिच प्रकार जैसी जानकारी का विश्लेषण करने में मदद की। दूसरा मौसम-दर-मौसम डेटा था, जिसका उपयोग स्थिति-विशिष्ट जानकारी की जांच के लिए किया गया था।

एकत्र किए गए डेटासेट में प्रत्येक पिच में तीन प्रमुख विशेषताएं थीं, जो विशिष्ट गेम, गेम के भीतर की प्लेट उपस्थिति की संख्या, और प्लेट उपस्थिति के भीतर पिच की संख्या थीं। इस डेटा ने शोधकर्ताओं को एमएलबी गेम को बनाने वाली घटनाओं की श्रृंखला को पुनर्निर्मित करने में सक्षम बनाया।

घटनाओं का वर्णन करने के लिए जो हुआ, उन्हें कैसे हुआ, और प्रत्येक प्ले में कौन शामिल था, टीम ने 325 संभावित गेम परिवर्तनों की पहचान की जो एक पिच फेंके जाने पर हो सकते हैं। इसे मौजूदा डेटा के साथ जोड़ा गया और खिलाड़ी रिकॉर्ड इम्पुट किए गए।

प्रसेनजीत मित्रा सूचना विज्ञान और प्रौद्योगिकी के प्रोफेसर हैं, साथ ही पेपर के सह-लेखक भी हैं।

“यह काम साबरमेट्रिक्स में राज्य की कला को महत्वपूर्ण रूप से आगे बढ़ाने की क्षमता रखता है,” प्रोफेसर मित्रा ने कहा। “हमारे ज्ञान के अनुसार, हम पहले हैं जो खेल की एक सूक्ष्म स्थिति को कैप्चर और प्रस्तुत करते हैं और इस जानकारी का उपयोग पारंपरिक आंकड़ों द्वारा गिने जाने वाले व्यक्तिगत घटनाओं का मूल्यांकन करने के लिए संदर्भ के रूप में करते हैं – उदाहरण के लिए, स्वचालित रूप से एक मॉडल बनाकर जो महत्वपूर्ण क्षणों और क्लच घटनाओं को समझता है।”