Моделі та платформи ШІ

Модель машинного навчання вимірює результати гравців MLB

Alex McFarland
Додайте Unite.AI до бажаних джерел у Google
Ключові моментиML-модель Університету штату Пенсильванія вимірює вплив гравців MLB, вивчаючи контекст…
Показати більше
  • ML-модель Університету штату Пенсильванія вимірює вплив гравців MLB, вивчаючи контекст подій, а не лише кількісні показники.
  • Модель розглядає бейсбольні ігри як послідовності, використовуючи методи NLP для розуміння значущості дій.
  • У поєднанні з традиційною статистикою модель прогнозує переможців ігор із точністю понад 59%.

Команда дослідників з Коледжу інформаційних наук і технологій Університету штату Пенсільванія розробила модель машинного навчання, яка може краще вимірювати короткострокові та довгострокові результати гравців у бейсбол та команд. Новий метод був порівняний з існуючими статистичними методами аналізу, званими саберметрікою.

Дослідження було представлено у статті під назвою “Використання машинного навчання для опису того, як гравці впливають на гру в MLB”.

Розбудова на основі NLP і комп’ютерного зору

Підхід команди ґрунтувався на останніх досягненнях у галузі обробки природної мови та комп’ютерного зору, і він може мати великі наслідки для того, яким чином вимірюється вплив гравця на гру.

Коннор Хітон – аспірант Коледжу IST.

Хітон каже, що існуюча родина методів ґрунтується на кількості разів, коли гравець або команда досягає певної події, наприклад, відбиває хоум-ран. Ці методи не враховують контекст кожної дії.

“Уявіть сценарій, у якому гравець записав сингл у своєму останньому виході на биту”, – сказав Хітон. “Він міг слабо відбити м’яч по землі вздовж лінії третьої бази, просунути бігуна з першої на другу базу й самому дістатися першої бази раніше за кидок, або відбити м’яч у глибину лівого поля і дійти до першої бази комфортно, але не мав швидкості, щоб поборотися за дабл. Опис обидвох ситуацій як “сингл” є точним, але не розповідає всю історію”.

Нова модель

Модель Хітона ґрунтується на вивченні значення подій у грі, яке ґрунтується на їхньому впливі на гру та контексті. Потім модель розглядає гру як послідовність подій, щоб вивести числові представлення того, як гравці впливають на гру.

“Ми часто говоримо про бейсбол у термінах “цей гравець мав два сингли і дабл вчора” або “він зробив один хіт за чотири офіційні виходи на биту”, – сказав Хітон. “Багато способів, якими ми говоримо про гру, просто підсумовують події одним статистичним показником. “Наша робота спрямована на отримання більш цілісної картини гри та отримання більш нюансованого, обчислювального опису того, як гравці впливають на гру”.

Новий метод використовує методи послідовного моделювання у галузі обробки природної мови, щоб дозволити комп’ютерам вивчити значення різних слів. Хітон використовував це, щоб навчити свою модель значення подій у грі в бейсбол, наприклад, коли відбиваючий виконує сингл. Гра була потім змодельована як послідовність подій.

“Вплив цієї роботи полягає у тому, що ми пропонуємо рамкову основу для того, що я називаю “допитуванням гри”, – сказав Хітон. “Ми розглядаємо її як послідовність у цілій обчислювальній основі для моделювання гри”.

Модель здатна описати вплив гравця на гру у короткостроковій перспективі, а коли її поєднують з традиційними методами, вона може передбачити переможця гри з точністю понад 59%.

Навчання моделі

Дослідники навчали свою модель, використовуючи дані, раніше зібрані з систем, встановлених на стадіонах бейсболу вищої ліги. Ці системи відстежують детальну інформацію про кожну подачу, включаючи позицію гравців, зайняті бази та швидкість подачі. Було використано два типи даних. Перший – це дані про кожну подачу, які допомогли проаналізувати інформацію, таку як тип подачі. Другий – це дані за сезон, які використовувалися для вивчення інформації, специфічної для позиції.

Кожна подача у зібраному наборі даних мала три основні характеристики, які були конкретною грою, номером виходу на биту у грі та номером подачі у виході на биту. Ці дані дозволили дослідникам реконструювати послідовність подій, які складають гру в MLB.

Щоб описати події, які відбулися, як вони відбулися, і хто був залучений до кожної гри, команда ідентифікувала 325 можливих змін у грі, які можуть відбутися, коли подається м’яч. Це було потім поєднано з існуючими даними, і записи гравців були доповнені.

Прасенджит Мітра – професор інформаційних наук і технологій, а також співавтор статті.

“Ця робота має потенціал суттєво підвищити сучасний рівень розвитку саберметрії”, – сказав проф. Мітра. “На нашу думку, ми перші, хто захоплює і представляє нюансований стан гри та використовує цю інформацію як контекст для оцінки окремих подій, які нараховуються традиційними статистиками – наприклад, автоматично будуючи модель, яка розуміє ключові моменти та вирішальні дії під тиском”.

Alex McFarland

Alex очолює новинний підрозділ Unite.AI, що працює на базі ШІ, поєднуючи журналістику, дослідження та автоматизацію для підтримки своєчасного та масштабованого висвітлення штучного інтелекту. Його робота допомагає забезпечити ефективне виявлення нових розробок ШІ, зберігаючи редакційні стандарти видання.