Mô hình Học máy Đo lường Hiệu suất của Cầu thủ MLB

Một nhóm nghiên cứu tại Trường Khoa học và Công nghệ Thông tin của Đại học Penn State đã phát triển một mô hình học máy có thể đo lường hiệu suất ngắn hạn và dài hạn của cầu thủ bóng chày và đội bóng một cách tốt hơn. Phương pháp mới này được đo lường so với các phương pháp phân tích thống kê hiện có gọi là sabermetrics.

Nghiên cứu được trình bày trong một bài báo có tiêu đề “Sử dụng Học máy để Mô tả Cách Cầu thủ Tác động đến Trò chơi trong MLB.”

Xây dựng trên NLP và Thị giác Máy tính

Phương pháp của nhóm dựa trên những tiến bộ gần đây trong xử lý ngôn ngữ tự nhiên và thị giác máy tính, và nó có thể có những ý nghĩa lớn đối với cách đo lường tác động của cầu thủ đến trò chơi.

Connor Heaton là một ứng viên tiến sĩ tại Trường Khoa học và Công nghệ Thông tin.

Heaton cho biết rằng gia đình các phương pháp hiện có dựa trên số lần một cầu thủ hoặc đội đạt được một sự kiện rời rạc, chẳng hạn như đánh một home run. Những phương pháp này không xem xét đến bối cảnh của mỗi hành động.

“Hãy nghĩ về một kịch bản trong đó một cầu thủ ghi một điểm đơn trong lần xuất hiện cuối cùng của mình,” Heaton nói. “Anh ta có thể đã đánh một quả bóng nhỏ xuống đường cơ sở thứ ba, giúp một cầu thủ chạy từ vị trí thứ nhất đến vị trí thứ hai và vượt qua ném bóng đến vị trí thứ nhất, hoặc đánh một quả bóng đến sâu trong sân trái và đến vị trí thứ nhất một cách thoải mái nhưng không đủ tốc độ để chạy đến vị trí thứ hai. Mô tả cả hai tình huống đều dẫn đến ‘một điểm đơn’ là chính xác nhưng không kể toàn bộ câu chuyện.”

Mô hình Mới

Mô hình của Heaton dựa trên việc học ý nghĩa của các sự kiện trong trò chơi, dựa trên tác động của chúng đến trò chơi và bối cảnh của chúng. Mô hình sau đó xem trò chơi như một chuỗi các sự kiện để tạo ra các biểu diễn số của cách cầu thủ tác động đến trò chơi.

“Chúng ta thường nói về bóng chày theo cách ‘cầu thủ này đã ghi hai điểm đơn và một điểm đôi hôm qua.’ hoặc ‘anh ta đã ghi một điểm trong bốn lần xuất hiện,’” Heaton nói. “Nhiều cách chúng ta nói về trò chơi chỉ tóm tắt các sự kiện với một thống kê tóm tắt. Công việc của chúng tôi đang cố gắng tạo ra một bức tranh toàn diện hơn về trò chơi và để có được một mô tả tính toán tinh tế hơn về cách cầu thủ tác động đến trò chơi.”

Phương pháp mới này tận dụng các kỹ thuật mô hình hóa tuần tự trong NLP để cho phép máy tính học ý nghĩa của các từ khác nhau. Heaton đã sử dụng điều này để dạy cho mô hình của mình ý nghĩa của các sự kiện trong trò chơi bóng chày, chẳng hạn như một cầu thủ đánh một điểm đơn. Trò chơi sau đó được mô hình hóa như một chuỗi các sự kiện.

“Tác động của công việc này là khuôn khổ được đề xuất cho những gì tôi thích gọi là ‘hỏi trò chơi,’” Heaton nói. “Chúng tôi đang xem nó như một chuỗi trong toàn bộ cấu trúc tính toán để mô hình hóa một trò chơi.”

Mô hình có thể mô tả ảnh hưởng của một cầu thủ đến trò chơi trong ngắn hạn, và khi kết hợp với các phương pháp truyền thống, nó có thể dự đoán người chiến thắng của một trò chơi với độ chính xác hơn 59%.

Đào tạo Mô hình

Các nhà nghiên cứu đã đào tạo mô hình của mình bằng cách sử dụng dữ liệu đã được thu thập từ các hệ thống được cài đặt tại các sân bóng chày chuyên nghiệp. Những hệ thống này theo dõi thông tin chi tiết cho mỗi quả bóng, bao gồm vị trí của cầu thủ, sự chiếm đóng của căn cứ và tốc độ của quả bóng. Hai loại dữ liệu được sử dụng. Loại đầu tiên là dữ liệu bóng theo bóng, giúp phân tích thông tin như loại bóng. Loại thứ hai là dữ liệu theo mùa, được sử dụng để điều tra thông tin cụ thể về vị trí.

Mỗi quả bóng trong tập dữ liệu đã thu thập có ba tính năng chính, đó là trò chơi cụ thể, số lần xuất hiện trong trò chơi và số quả bóng trong lần xuất hiện. Dữ liệu này cho phép các nhà nghiên cứu tái tạo chuỗi các sự kiện tạo nên một trò chơi bóng chày của MLB.

Để mô tả các sự kiện đã xảy ra, cách chúng xảy ra và ai tham gia vào mỗi lần chơi, nhóm đã xác định 325 thay đổi trò chơi có thể xảy ra khi một quả bóng được ném. Điều này sau đó được kết hợp với dữ liệu hiện có, và hồ sơ cầu thủ được tính toán.

Prasenjit Mitra là giáo sư khoa học và công nghệ thông tin, cũng như đồng tác giả của bài báo.

“Công việc này có tiềm năng thúc đẩy đáng kể tình trạng hiện tại của sabermetrics,” giáo sư Mitra nói. “Theo kiến thức của chúng tôi, đây là lần đầu tiên chúng tôi ghi lại và thể hiện một trạng thái tinh tế của trò chơi và sử dụng thông tin này làm bối cảnh để đánh giá các sự kiện cá nhân được đếm bởi thống kê truyền thống – ví dụ, bằng cách tự động xây dựng một mô hình hiểu các khoảnh khắc quan trọng và các sự kiện then chốt.”