論文の概要: Discovering indicators of dark horse of soccer games by deep learning
from sequential trading data
- arxiv url: http://arxiv.org/abs/2008.00682v2
- Date: Tue, 4 Aug 2020 01:59:51 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-03 05:48:20.502998
- Title: Discovering indicators of dark horse of soccer games by deep learning
from sequential trading data
- Title（参考訳）: 逐次取引データを用いた深層学習によるサッカーのダークホースの指標の発見
- Authors: Liyao Lu and Qiang Lyu
- Abstract要約: ディープラーニングモデルは、実際の予測市場からの実際のシーケンシャルなトレーディングデータに基づいて設計、訓練される。
新しい損失関数が提案され、その選択を高い投資リターンと一致させてモデルを訓練する。
4669試合のトップリーグの試合の完全な調査の結果、我々のモデルは高いリターンの予測精度をオフにした。
- 参考スコア（独自算出の注目度）: 0.6526824510982799
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: It is not surprise for machine learning models to provide decent prediction
accuracy of soccer games outcomes based on various objective metrics. However,
the performance is not that decent in terms of predicting difficult and
valuable matches. A deep learning model is designed and trained on a real
sequential trading data from the real prediction market, with the assumption
that such trading data contain critical latent information to determine the
game outcomes. A new loss function is proposed which biases the selection
toward matches with high investment return to train our model. Full
investigation of 4669 top soccer league matches showed that our model traded
off prediction accuracy for high value return due to a certain ability to
detect dark horses. A further try is conducted to depict some indicators
discovered by our model for describing key features of big dark horses and
regular hot horses.
- Abstract（参考訳）: さまざまな客観的指標に基づいて、機械学習モデルがサッカーの試合結果の適切な予測精度を提供するのは驚きではない。
しかし、困難で価値のあるマッチを予測するという点では、パフォーマンスはそれほど良くない。
深層学習モデルは、実際の予測市場からの実際の逐次取引データに基づいて設計・訓練され、そのような取引データにはゲーム結果を決定するために重要な潜在情報が含まれていると仮定される。
モデル学習のための投資リターンの高いマッチングに対する選択を偏る新たな損失関数を提案する。
4669試合を総合的に調査したところ、暗黒馬を検知する能力があるため、我々のモデルは高い値を返すための予測精度をオフにした。
さらに,本モデルで発見された大型の黒馬と一般的な馬の特徴を記述するための指標について検討した。
関連論文リスト
- Machine Learning for Soccer Match Result Prediction [0.9002260638342727]
本章では、利用可能なデータセット、モデルと機能のタイプ、モデルパフォーマンスを評価する方法について論じる。
本章の目的は,サッカーの試合結果予測のための機械学習の現状と今後の展開について概説することである。
論文 参考訳（メタデータ） (2024-03-12T14:00:50Z) - Zero-shot Retrieval: Augmenting Pre-trained Models with Search Engines [83.65380507372483]
大規模で事前訓練されたモデルは、問題を解決するのに必要なタスク固有のデータの量を劇的に削減するが、多くの場合、ドメイン固有のニュアンスを箱から取り出すのに失敗する。
本稿では,NLPとマルチモーダル学習の最近の進歩を活用して,検索エンジン検索による事前学習モデルを強化する方法について述べる。
論文 参考訳（メタデータ） (2023-11-29T05:33:28Z) - Explainable artificial intelligence model for identifying Market Value
in Professional Soccer Players [2.2590064835234913]
ソフィファの約12,000人のプレイヤーのデータを用いて、ボルタのアルゴリズムは特徴選択を合理化した。
グラディエントブースティング決定木(GBDT)モデルは予測精度に優れ、R-squaredは0.901、Root Mean Squared Error(RMSE)は3,221,632.175である。
論文 参考訳（メタデータ） (2023-11-08T11:01:32Z) - Evaluating Soccer Match Prediction Models: A Deep Learning Approach and
Feature Optimization for Gradient-Boosted Trees [0.8009842832476994]
2023年のサッカーの予測チャレンジでは、まず各チームが得点した正確なゴールについて、次に勝利、引き分け、負けの確率について、試合結果の予測が必要とされた。
CatBoost モデルは pi-ratings を特徴として用いており、これは最初は win/draw/loss 確率を計算するのに最適な選択肢として認識されていた。
本研究では,ディープラーニングモデルの性能を評価し,勾配木モデルに最適な特徴セットを決定することを目的とした。
論文 参考訳（メタデータ） (2023-09-26T10:05:46Z) - Betting the system: Using lineups to predict football scores [0.0]
本稿では,決勝点におけるラインアップの役割を分析し,サッカーにおけるランダム性を低減することを目的とする。
サッカークラブはラインナップに数百万ドルを投資し、個々の統計がより良い結果にどのように変換するかを知ることで投資を最適化することができる。
スポーツの賭けは指数関数的に増加しており、将来を予測することは利益があり、望ましい。
論文 参考訳（メタデータ） (2022-10-12T15:47:42Z) - VisFIS: Visual Feature Importance Supervision with
Right-for-the-Right-Reason Objectives [84.48039784446166]
モデルFI監督は、VQAモデルの精度と、Right-to-the-Right-Reasonメトリクスの性能を有意義に向上させることができることを示す。
我々の最高のパフォーマンス手法であるVisual Feature Importance Supervision (VisFIS)は、ベンチマークVQAデータセットで強いベースラインを上回ります。
説明が妥当で忠実な場合には予測がより正確になる。
論文 参考訳（メタデータ） (2022-06-22T17:02:01Z) - Learning to Predict Trustworthiness with Steep Slope Loss [69.40817968905495]
本研究では,現実の大規模データセットにおける信頼性の予測問題について検討する。
我々は、先行技術損失関数で訓練された信頼性予測器が、正しい予測と誤った予測の両方を信頼に値するものとみなす傾向があることを観察する。
そこで我々は,2つのスライド状の曲線による不正確な予測から,特徴w.r.t.正しい予測を分離する,新たな急勾配損失を提案する。
論文 参考訳（メタデータ） (2021-09-30T19:19:09Z) - Machine learning models for DOTA 2 outcomes prediction [8.388178167818635]
本研究は,Dota 2 MOBAゲームの結果を特定するための予測機械学習モデルとディープラーニングモデルの構築に主に焦点をあてる。
リニア回帰(LR)、ニューラルネットワーク(NN)、リカレントニューラルネットワーク(LSTM)の3つのモデルについて検討・比較を行った。
論文 参考訳（メタデータ） (2021-06-03T12:10:26Z) - Hidden Biases in Unreliable News Detection Datasets [60.71991809782698]
データ収集中の選択バイアスがデータセットの望ましくないアーティファクトにつながることを示す。
クリーンスプリットでテストされたすべてのモデルに対して,列車/テストソースの重なりが無く,精度が大幅に低下した(>10%)。
将来的なデータセット生成には、困難/バイアスプローブとしての単純なモデルと、クリーンな非重複サイトと日付分割を使用する将来のモデル開発が含まれることを提案する。
論文 参考訳（メタデータ） (2021-04-20T17:16:41Z) - Injecting Knowledge in Data-driven Vehicle Trajectory Predictors [82.91398970736391]
車両軌道予測タスクは、一般的に知識駆動とデータ駆動の2つの視点から取り組まれている。
本稿では,これら2つの視点を効果的に結合する「現実的残留ブロック」 (RRB) の学習を提案する。
提案手法は,残留範囲を限定し,その不確実性を考慮した現実的な予測を行う。
論文 参考訳（メタデータ） (2021-03-08T16:03:09Z) - Value-driven Hindsight Modelling [68.658900923595]
値推定は強化学習(RL)パラダイムの重要な構成要素である。
モデル学習は、観測系列に存在する豊富な遷移構造を利用することができるが、このアプローチは通常、報酬関数に敏感ではない。
この2つの極点の間に位置するRLにおける表現学習のアプローチを開発する。
これにより、タスクに直接関連し、値関数の学習を加速できる、抽出可能な予測ターゲットが提供される。
論文 参考訳（メタデータ） (2020-02-19T18:10:20Z)
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。