Yapay zeka modelleri ve platformları
Makine Öğrenimi Modeli MLB Oyuncularının Performansını Ölçüyor

Öne çıkan noktalarPenn State'in ML modeli, MLB oyuncu etkisini yalnızca sayılarla değil, olay bağlamını…
Daha fazla göster
- Penn State'in ML modeli, MLB oyuncu etkisini yalnızca sayılarla değil, olay bağlamını öğrenerek ölçer.
- Model, beyzbol maçlarını diziler olarak ele alır ve oyunun önemini anlamak için NLP tekniklerini kullanır.
- Geleneksel istatistiklerle birleştirildiğinde model, oyun kazananlarını %59'un üzerinde doğrulukla tahmin eder.
Bilgi Bilimleri ve Teknoloji Penn State Koleji’ndeki bir araştırma ekibi, baseball oyuncularının ve takımlarının kısa ve uzun vadeli performansını daha iyi ölçebilen bir makine öğrenimi modeli geliştirdi. Yeni yöntem, sabermetrics olarak adlandırılan mevcut istatistiksel analiz yöntemleriyle karşılaştırıldı.
Araştırma, “MLB’de Oyuncuların Oyunu Nasıl Etkilediğini Tanımlamak için Makine Öğrenimi Kullanma” başlıklı bir makalede sunuldu.
NLP ve Bilgisayarlı Görüntü İşleme Üzerine Kurulma
Ekibin yaklaşımı, doğal dil işleme ve bilgisayar görüntüleme alanındaki son gelişmelere dayanıyordu ve oyuncuların oyun üzerindeki etkisinin ölçülme şekli için büyük etkileri olabilirdi.
Connor Heaton, IST Koleji’ndeki bir doktora adayı.
Heaton, mevcut yöntemlerin bir oyuncunun veya takımın bir home run vurmak gibi belirli bir olayı gerçekleştirme sayısına dayanmasına rağmen, bu yöntemlerin her eylemin bağlamını dikkate almadığını söylüyor.
“Bir oyuncunun son vuruş sırası sırasında bir single kaydettiğini düşünün” dedi Heaton. “Üçüncü kale çizgisi boyunca zayıf bir yer topu vurmuş, bir koşucuyu birinci kaleden ikinci kaleye ilerletmiş ve topun atışından önce birinci kaleye ulaşmış olabilir. Ya da sol dış sahanın derinlerine bir top vurup birinci kaleye rahatça ulaşmış, ancak iki kalelik vuruş için koşacak hıza sahip olmamış olabilir. Her iki durumu da ‘bir single’ olarak tanımlamak doğru, ancak tüm hikayeyi anlatmıyor.”
Yeni Model
Heaton’un modeli, oyun üzerindeki etkileri ve bağlamına dayalı olarak oyun içi olayların anlamını öğrenmeye dayanır. Model daha sonra oyunu olayların bir dizisi olarak görür ve oyuncuların oyun üzerindeki etkilerini sayısal olarak temsil eder.
“Bazen baseball hakkında ‘bu oyuncu dün iki single ve bir double yaptı’ veya ‘dört resmi vuruş sırasında bir isabet yaptı’ gibi konuşuruz” dedi Heaton. “Oyun hakkında konuştuğumuz birçok şekilde, olayları tek bir özet istatistiğiyle özetleriz. Çalışmamız, oyunun daha kapsamlı bir resmini çekmeye ve oyuncuların oyun üzerindeki etkilerini daha nüanslı, hesaplamalı bir şekilde tanımlamaya çalışıyor.”
Yeni yöntem, bilgisayarların farklı kelimelerin anlamını öğrenmesini sağlayan NLP’deki sıralı modelleme tekniklerini kullanıyor. Heaton, bu tekniği kullanarak modeline bir baseball oyunundaki olayların anlamını, örneğin vurucunun tek kalelik isabetli vuruşunun anlamını öğretti. Oyun, daha sonra olayların bir dizisi olarak modellendi.
“Bu çalışmanın etkisi, oyunu sorgulama diye adlandırdığım çerçevenin önerilmesidir” dedi Heaton. “Onu bir dizi olarak görüyoruz ve tüm bu hesaplamalı iskelede oyunu modellemek için.”
Model, bir oyuncunun oyun üzerindeki etkisini kısa vadede tanımlayabiliyor ve geleneksel yöntemlerle birleştirildiğinde, bir oyunun kazananını %59’un üzerinde bir doğrulukla tahmin edebiliyor.
Modelin Eğitimi
Araştırmacılar, modelini büyük lig baseball stadyumlarında kurulan sistemlerden önce toplanan veriler kullanarak eğitti. Bu sistemler, her atış için ayrıntılı bilgileri, oyuncu konumlarını, kalelerde koşucu bulunma durumunu ve atış hızını izliyordu. İki tür veri kullanıldı. İlk veri, atış türü gibi bilgilerin analizine yardımcı olan atış bazındaki verilerdi. İkinci veri, pozisyon özgü bilgileri araştırmak için kullanılan sezon bazındaki verilerdi.
Toplanan veri setindeki her atış, üç büyük özelliğe sahipti: belirli oyun, maç içindeki vuruş sırasının sıra numarası ve o vuruş sırası içindeki atışın sıra numarası. Bu veriler, araştırmacılara bir MLB oyununu oluşturan olayların dizisini yeniden oluşturma olanağı sağladı.
Olayların neler olduğu, nasıl gerçekleştiği ve her oyunun kiminle ilgili olduğu hakkında bilgi vermek için, ekip bir atış atıldığında oluşabilecek 325 olası oyun değişikliğini belirledi. Bu daha sonra mevcut verilerle birleştirildi ve oyuncu kayıtları dolduruldu.
Prasenjit Mitra, Bilgi Bilimleri ve Teknoloji profesörü ve makalenin ortak yazarı.
“Bu çalışma, sabermetrics alanındaki durumu önemli ölçüde ilerletebilir” dedi Profesör Mitra. “Bilgimiz dahilinde, oyunun nüanslı durumunu yakalamak ve temsil etmek ve geleneksel istatistiklerle sayılan bireysel olayları bu bilgiyi kullanarak değerlendirmek için ilk olan biziz – örneğin, ana anları ve kritik olayları anlayan bir model oluşturmak için otomatik olarak.”












