論文の概要: Descriptive and Predictive Analysis of Euroleague Basketball Games and
the Wisdom of Basketball Crowds
- arxiv url: http://arxiv.org/abs/2002.08465v1
- Date: Wed, 19 Feb 2020 22:04:29 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-30 13:44:04.825783
- Title: Descriptive and Predictive Analysis of Euroleague Basketball Games and
the Wisdom of Basketball Crowds
- Title(参考訳): ユーロリーグバスケットボール競技の記述的・予測的分析とバスケットボール観衆の知恵
- Authors: Georgios Giasemidis
- Abstract要約: 本研究は,機械学習モデルを用いたユーロリーグ大会におけるバスケットボールの試合予測に焦点を当てた。
単純な機械学習モデルでは、テストセットで67%以上の精度が得られます。
我々は,このグループの「専門家」の精度レベルが,機械学習を用いた(ヨーロッパ)バスケットボールの試合予測における将来の研究の基準として設定されるべき理由を論じる。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this study we focus on the prediction of basketball games in the
Euroleague competition using machine learning modelling. The prediction is a
binary classification problem, predicting whether a match finishes 1 (home win)
or 2 (away win). Data is collected from the Euroleague's official website for
the seasons 2016-2017, 2017-2018 and 2018-2019, i.e. in the new format era.
Features are extracted from matches' data and off-the-shelf supervised machine
learning techniques are applied. We calibrate and validate our models. We find
that simple machine learning models give accuracy not greater than 67% on the
test set, worse than some sophisticated benchmark models. Additionally, the
importance of this study lies in the "wisdom of the basketball crowd" and we
demonstrate how the predicting power of a collective group of basketball
enthusiasts can outperform machine learning models discussed in this study. We
argue why the accuracy level of this group of "experts" should be set as the
benchmark for future studies in the prediction of (European) basketball games
using machine learning.
- Abstract(参考訳): 本研究では、機械学習モデルを用いたユーロリーグ競技におけるバスケットボール競技の予測に焦点をあてる。
この予測は二項分類問題であり、試合が1(ホーム・ウィン)か2(アウェー・ウィン)に終わるかを予測する。
データは2016-2017年、2017-2018年、2018-2019年、すなわち新しいフォーマット時代のユーロリーグの公式ウェブサイトから収集される。
matchのデータから特徴を抽出し、教師付き機械学習技術を適用する。
モデルを校正し、検証します。
単純な機械学習モデルでは、テストセットの精度が67%を超えず、いくつかの洗練されたベンチマークモデルよりも悪いことが分かりました。
さらに、この研究の重要性は「バスケットボールファンの知恵」にあり、バスケットボール愛好家集団の予測力が、この研究で議論された機械学習モデルよりも優れていることを示す。
我々は,このグループの「専門家」の精度レベルが,機械学習を用いた(ヨーロッパ)バスケットボールの試合予測における将来の研究の基準として設定されるべき理由を論じる。
関連論文リスト
- SkillMimic: Learning Reusable Basketball Skills from Demonstrations [85.23012579911378]
SkillMimicは、人間とボールの両方の動きを模倣して、さまざまなバスケットボールスキルを学習するデータ駆動型アプローチである。
SkillMimicは、人間とボールのモーションデータセットから多様なスキルを学ぶために、統一された構成を採用している。
SkillMimicが獲得したスキルは、高レベルのコントローラーで簡単に再利用でき、複雑なバスケットボールのタスクをこなせる。
論文 参考訳(メタデータ) (2024-08-12T15:19:04Z) - Supervised Learning for Table Tennis Match Prediction [2.7835697868135902]
本稿では,テーブルテニスシングルマッチの結果を予測するために機械学習を用いることを提案する。
我々は,プレイヤーとマッチング統計を特徴として用いて,その相対的重要性をアブレーション研究で評価する。
結果は将来の卓球予測モデルのベースラインとして機能し、同様の球技の予測研究にフィードバックすることができる。
論文 参考訳(メタデータ) (2023-03-28T17:42:13Z) - GCN-WP -- Semi-Supervised Graph Convolutional Networks for Win
Prediction in Esports [84.55775845090542]
本稿では,グラフ畳み込みネットワークに基づくエスポートに対する半教師付き勝利予測モデルを提案する。
GCN-WPはマッチとプレーヤに関する30以上の機能を統合し、近隣のゲームを分類するためにグラフ畳み込みを使用している。
本モデルは,LLの機械学習やスキル評価モデルと比較して,最先端の予測精度を実現する。
論文 参考訳(メタデータ) (2022-07-26T21:38:07Z) - Machine Learning in Sports: A Case Study on Using Explainable Models for
Predicting Outcomes of Volleyball Matches [0.0]
本稿では,ブラジルバレーボールリーグ(SuperLiga)における試合結果を予測するための2相説明可能な人工知能(XAI)アプローチについて検討する。
第1フェーズでは、解釈可能なルールベースのMLモデルを直接使用し、モデルの振る舞いをグローバルに理解する。
第2フェーズでは,SVM(Support Vector Machine)やDNN(Deep Neural Network)といった非線形モデルを構築し,バレーボールの試合結果の予測性能を得る。
論文 参考訳(メタデータ) (2022-06-18T18:09:15Z) - Features selection in NBA outcome prediction through Deep Learning [0.0]
1つの特徴(エロ評価または相対的な勝利頻度)に基づくモデルが、ボックススコア予測器を用いたモデルよりも適合する品質を持つことを示す。
16のNBAレギュラーシーズンのデータを含むデータセットでは、特徴が指数関数として計算されている。
論文 参考訳(メタデータ) (2021-11-17T16:32:11Z) - Game Plan: What AI can do for Football, and What Football can do for AI [83.79507996785838]
予測的および規範的フットボール分析は、統計学習、ゲーム理論、コンピュータビジョンの交差点における新たな発展と進歩を必要とする。
フットボール分析は、サッカー自体のゲームを変えるだけでなく、この領域がAIの分野で何を意味するのかという観点からも、非常に価値の高いゲームチェンジャーであることを示す。
論文 参考訳(メタデータ) (2020-11-18T10:26:02Z) - Imagining Grounded Conceptual Representations from Perceptual
Information in Situated Guessing Games [83.53942719040576]
視覚的な推測ゲームでは、GuesserはOracleに質問することで、シーン内のターゲットオブジェクトを特定する必要がある。
既存のモデルは真のマルチモーダル表現を学ばず、訓練と推論の両方でシーン内のオブジェクトのゴールドカテゴリラベルに依存している。
本稿では,正規化オートエンコーダをベースとした新しい「想像」モジュールを提案する。
論文 参考訳(メタデータ) (2020-11-05T15:42:29Z) - Interpretable Real-Time Win Prediction for Honor of Kings, a Popular
Mobile MOBA Esport [51.20042288437171]
本研究では,2段階空間時間ネットワーク(TSSTN)を提案する。
実世界のライブストリーミングシナリオにおける実験結果と応用により,提案したTSSTNモデルは予測精度と解釈可能性の両方において有効であることが示された。
論文 参考訳(メタデータ) (2020-08-14T12:00:58Z) - Using Experts' Opinions in Machine Learning Tasks [0.0]
機械学習タスクにおける専門家の洞察を活用するための一般的な3段階のフレームワークを提案する。
ケーススタディでは,カグル競技会の焦点となったNCAA男子バスケットボールの試合を予測するタスクを選択した。
その結果、過去のモデルの性能と高いスコアは偶然の結果であり、優れた性能と安定したモデルによるものではないことが示唆された。
論文 参考訳(メタデータ) (2020-08-10T15:48:49Z) - Exploiting the Matching Information in the Support Set for Few Shot
Event Classification [66.31312496170139]
数ショットの学習セットに基づくイベント分類について検討する。
本稿では,学習過程におけるサポートセットを効果的に活用する新たなトレーニング手法を提案する。
2つのベンチマークECデータセットを用いた実験の結果,提案手法は,イベント分類の精度を最大10%向上できることがわかった。
論文 参考訳(メタデータ) (2020-02-13T00:40:36Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。