Модель машинного обучения измеряет выступления игроков МЛБ

Команда исследователей в Колледже информационных наук и технологий Университета штата Пенсильвания разработала модель машинного обучения, которая может лучше измерять выступления бейсболистов и команд в короткой и долгой перспективе. Новый метод был измерен против существующих статистических методов анализа, называемых саберметрикой.

Исследование было представлено в статье под названием «Использование машинного обучения для описания того, как игроки влияют на игру в МЛБ».

Развитие на основе NLP и компьютерного зрения

Подход команды основывался на недавних достижениях в области обработки естественного языка и компьютерного зрения, и он может иметь большое значение для того, как измеряется влияние игрока на игру.

Коннор Хитон – аспирант в Колледже IST.

Хитон говорит, что существующая семья методов полагается на количество раз, когда игрок или команда достигает дискретного события, такого как удар мяча. Эти методы не учитывают контекст каждого действия.

«Подумайте о сценарии, в котором игрок записал сингл в своем последнем выходе на биту», – сказал Хитон. «Он мог ударить мяч по третьей базовой линии, продвинув бегуна с первой базы на вторую и обогнав бросок на первую базу, или ударить мяч глубоко в левое поле и добраться до первой базы комфортно, но не иметь скорости, чтобы побороться за дабл. Описание обоих ситуаций как «сингл» точное, но не рассказывает всю историю».

Новая модель

Модель Хитона основана на обучении смыслу событий в игре, который основан на их влиянии на игру и контексте. Затем модель рассматривает игру как последовательность событий, чтобы вывести числовые представления того, как игроки влияют на игру.

«Мы часто говорим о бейсболе в терминах «этот игрок сделал два сингла и дабл вчера» или «он вышел на биту один раз из четырех», – сказал Хитон. «Многие способы, которыми мы говорим об игре, просто суммируют события одним сводным статистическим показателем. «Наша работа направлена на получение более целостной картины игры и на получение более нюансов, вычислительного описания того, как игроки влияют на игру».

Новый метод использует последовательные моделирование в NLP, чтобы позволить компьютерам учиться смыслу разных слов. Хитон использовал это, чтобы научить свою модель смыслу событий в бейсбольной игре, таких как удар мяча бьющим. Игра была затем смоделирована как последовательность событий.

«Влияние этой работы заключается в том, что мы предлагаем框架 для того, что я называю «допросом игры», – сказал Хитон. «Мы рассматриваем ее как последовательность в этом целом вычислительном каркасе для моделирования игры».

Модель может описать влияние игрока на игру в короткой перспективе, и когда она сочетается с традиционными методами, она может предсказать победителя игры с точностью более 59%.

Обучение модели

Исследователи обучили свою модель, используя данные, ранее собранные из систем, установленных на стадионах высшей бейсбольной лиги. Эти системы отслеживают подробную информацию для каждого подачи, включая позиционирование игроков, занятость баз и скорость подачи. Были использованы два типа данных. Первый был данными подача за подачей, которые помогли проанализировать информацию, такую как тип подачи. Второй был данными сезон за сезоном, использованными для изучения позиционно-специфической информации.

Каждая подача в собранном наборе данных имела три основных характеристики, которые были конкретной игрой, номером выхода на биту в игре и номером подачи в выходе на биту. Эти данные позволили исследователям реконструировать последовательность событий, составляющих игру МЛБ.

Чтобы описать события, которые произошли, как они произошли и кто был вовлечен в каждую игру, команда определила 325 возможных изменений игры, которые могут произойти, когда подается подача. Это было затем объединено с существующими данными, и записи игроков были дополнены.

Прасенджит Митра – профессор информационных наук и технологий, а также соавтор статьи.

«Эта работа имеет потенциал значительно продвинуть состояние искусства в саберметрике», – сказал профессор Митра. «Насколько нам известно, наша работа является первой, которая захватывает и представляет нюансовое состояние игры и использует эту информацию как контекст для оценки отдельных событий, которые учитываются традиционными статистиками – например, путем автоматического построения модели, которая понимает ключевые моменты и решающие события».