Maskinlæringsmodell måler MLB-spilleres prestasjoner

Et team av forskere ved Penn State College of Information Sciences and Technology har utviklet en maskinlæringsmodell som kan måle baseballspilleres og lagets kort- og langtidsprestasjoner bedre. Den nye metoden ble målt mot eksisterende statistiske analysemetoder kalt sabermetrics.

Forskningen ble presentert i en artikkel med tittelen “Using Machine Learning to Describe How Players Impact the Game in the MLB.”

Bygging på NLP og datavisualisering

Teamets tilnærming bygde på nyere fremgang i naturlig språkbehandling og datavisualisering, og det kan ha store implikasjoner for måten spillernes innvirkning på spillet måles på.

Connor Heaton er en doktorgradskandidat ved College of IST.

Heaton sier at den eksisterende familien av metoder bygger på antall ganger en spiller eller lag oppnår en diskret hendelse, som å slå en hjemmeløper. Disse metodene tar ikke hensyn til konteksten for hver handling.

“Tenk på en scenario der en spiller fikk en enkelt i sin siste plate-appearance,” sa Heaton. “Han kunne ha slått en dribble ned tredje base-linjen, flyttet en løper fra første til andre og slått kastet til første, eller slått en ball dypt til venstre felt og nådde første base komfortabelt, men ikke hadde hastigheten til å presse for en dobbelt. Å beskrive begge situasjonene som resulterer i ‘en enkelt’ er nøyaktig, men forteller ikke hele historien.”

Den nye modellen

Heatons modell bygger på å lære meningen av hendelser i spillet, som er basert på innvirkningen de har på spillet og konteksten. Modellen ser deretter på spillet som en sekvens av hendelser for å utgi numeriske representasjoner av hvordan spillere påvirker spillet.

“Vi snakker ofte om baseball i termer av ‘denne spilleren fikk to enkelte og en dobbelt i går.’ eller ‘han gikk en av fire,” sa Heaton. “Mange av måtene vi snakker om spillet summerer hendelsene med én sammenfattningsstatistikk. Vårt arbeid prøver å ta en mer helhetlig bildet av spillet og å få en mer nyansert, komputasjonsbasert beskrivelse av hvordan spillere påvirker spillet.”

Den nye metoden utnytter sekvensielle modelleringsteknikker i NLP for å aktivere datamaskiner til å lære meningen av ulike ord. Heaton brukte dette til å lære sin modell meningen av hendelser i baseballspillet, som en batter som slår en enkelt. Spillet ble deretter modellert som en sekvens av hendelser.

“Innvirkningen av dette arbeidet er rammeverket som er foreslått for hva jeg liker å kalle ‘å avhøre spillet,’” sa Heaton. “Vi ser på det som en sekvens i denne hele komputasjonsbaserte rammeverket for å modellere et spill.”

Modellen kan beskrive en spillers innvirkning på spillet over kort tid, og når den kombineres med tradisjonelle metoder, kan den forutsi vinneren av en kamp med over 59% nøyaktighet.

Trening av modellen

Forskerne trente sin modell ved å bruke data som tidligere var samlet inn fra systemer installert på større baseballstadioner. Disse systemene sporer detaljert informasjon for hver pitch, inkludert spillerposisjon, base-okkupasjon og pitch-hastighet. To typer data ble brukt. Den første var pitch-for-pitch-data, som hjalp med å analysere informasjon som pitch-type. Den andre var sesong-for-sesong-data, brukt til å undersøke posisjonsspesifik informasjon.

Hver pitch i datamengden hadde tre større funksjoner, som var det spesifikke spillet, antall innsving i spillet og pitch-nummeret i innsvingen. Denne daten aktiverte forskerne til å rekonstruere sekvensen av hendelser som utgjør et MLB-spill.

For å beskrive hendelsene som skjedde, hvordan de skjedde og hvem som var involvert i hver spill, identifiserte teamet 325 mulige spillendringer som kunne skje når en pitch ble kastet. Dette ble deretter kombinert med eksisterende data, og spillernes rekorder ble imputert.

Prasenjit Mitra er professor i informasjonsvitenskap og teknologi, samt medforfatter av artikkelen.

“Dette arbeidet har potensialet til å betydelig forbedre den nåværende tilstanden i sabermetrics,” sa prof. Mitra. “Ifølge vår beste kunnskap er vårt det første som fanger og representerer en nyansert tilstand av spillet og bruker denne informasjonen som kontekst for å evaluere de enkelte hendelsene som teller i tradisjonelle statistikker — for eksempel ved å bygge en modell som forstår nøkkeløyeblikk og avgjørende hendelser.”