Mô hình học máy đo lường hiệu suất của người chơi MLB

Một nhóm các nhà nghiên cứu tại Trường Cao đẳng Khoa học Thông tin và Công nghệ Bang Pennsylvania đã phát triển một mô hình học máy có thể đo lường tốt hơn hiệu suất ngắn hạn và dài hạn của các cầu thủ bóng chày và các đội. Phương pháp mới được đo lường dựa trên các phương pháp phân tích thống kê hiện có được gọi là sabermetrics.

Nghiên cứu đã được trình bày trong một bài báo có tiêu đề “Sử dụng máy học để mô tả cách người chơi tác động đến trò chơi trong MLB.” 

Xây dựng trên NLP và Thị giác Máy tính

Cách tiếp cận của nhóm dựa trên những tiến bộ gần đây trong xử lý ngôn ngữ tự nhiên và thị giác máy tính, đồng thời nó có thể có ý nghĩa lớn đối với cách đo lường tác động của người chơi đối với trò chơi. 

Connor Heaton là ứng cử viên tiến sĩ tại Đại học IST. 

Heaton nói rằng nhóm phương pháp hiện có dựa trên số lần một người chơi hoặc đội đạt được một sự kiện riêng biệt, chẳng hạn như đánh một đường chạy về nhà. Các phương pháp này không xem xét bối cảnh của từng hành động. 

Heaton nói: “Hãy nghĩ về một tình huống trong đó một người chơi đã ghi một đĩa đơn trong lần xuất hiện trên đĩa cuối cùng của anh ta. “Anh ấy có thể thực hiện một cú lừa bóng xuống vạch cuối sân thứ ba, đưa người chạy từ vị trí thứ nhất lên vị trí thứ hai và đánh quả ném biên về vị trí đầu tiên, hoặc đánh một quả bóng vào sâu bên trái sân và chạm đến vị trí đầu tiên một cách thoải mái nhưng không có tốc độ để đẩy một cú đúp. Mô tả cả hai tình huống dẫn đến 'một' là chính xác nhưng không nói lên toàn bộ câu chuyện.

Mẫu mới

Mô hình của Heaton dựa trên việc tìm hiểu ý nghĩa của các sự kiện trong trò chơi, dựa trên tác động của chúng đối với trò chơi và bối cảnh của chúng. Sau đó, mô hình xem trò chơi như một chuỗi các sự kiện để đưa ra các biểu diễn bằng số về cách người chơi tác động đến trò chơi.

“Chúng ta thường nói về bóng chày theo kiểu 'cầu thủ này đã có hai trận đánh đơn và một cú đúp ngày hôm qua.' hoặc 'anh ấy đã đi một ăn bốn," Heaton nói. “Rất nhiều cách chúng ta nói về trò chơi chỉ tóm tắt các sự kiện bằng một thống kê tóm tắt. “Công việc của chúng tôi là cố gắng chụp một bức tranh tổng thể hơn về trò chơi và để có được một mô tả tính toán, sắc thái hơn về cách người chơi tác động đến trò chơi.” 

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

Heaton nói: “Tác động của công việc này là khuôn khổ được đề xuất cho cái mà tôi muốn gọi là 'thẩm vấn trò chơi'. “Chúng tôi đang xem nó như một chuỗi trong toàn bộ giàn giáo tính toán này để mô hình hóa một trò chơi.” 

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

Đào tạo người mẫu 

Các nhà nghiên cứu đã đào tạo mô hình của họ bằng cách sử dụng dữ liệu được thu thập trước đó từ các hệ thống được lắp đặt tại các sân vận động bóng chày của giải đấu lớn. Các hệ thống này theo dõi thông tin chi tiết cho từng cú ném bóng, bao gồm vị trí của người chơi, tỷ lệ chiếm chỗ của cơ sở và tốc độ ném bóng. Hai loại dữ liệu đã được sử dụng. Đầu tiên là dữ liệu theo từng bước, giúp phân tích thông tin như loại cao độ. Thứ hai là dữ liệu theo mùa, được sử dụng để điều tra thông tin về vị trí cụ thể. 

Mỗi cú ném bóng trong bộ dữ liệu được thu thập có ba đặc điểm chính, đó là trò chơi cụ thể, số cú ném trong trò chơi và số cú ném bóng trong trận đấu. Dữ liệu này cho phép các nhà nghiên cứu xây dựng lại chuỗi sự kiện tạo nên một trò chơi MLB. 

Để mô tả các sự kiện đã xảy ra, chúng xảy ra như thế nào và ai là người tham gia vào mỗi lần chơi, nhóm đã xác định được 325 thay đổi trong trò chơi có thể xảy ra khi ném bóng. Điều này sau đó được kết hợp với dữ liệu hiện có và các bản ghi của người chơi đã được tính.

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

Giáo sư Mitrae cho biết: “Công trình này có khả năng nâng cao đáng kể trình độ kỹ thuật của sabermetrics. “Theo hiểu biết tốt nhất của chúng tôi, chúng tôi là người đầu tiên nắm bắt và thể hiện trạng thái sắc thái của trò chơi và sử dụng thông tin này làm bối cảnh để đánh giá các sự kiện riêng lẻ được tính theo thống kê truyền thống — ví dụ: bằng cách tự động xây dựng một mô hình hiểu những thời điểm quan trọng và các sự kiện ly hợp.”