論文の概要: Computing an Optimal Pitching Strategy in a Baseball At-Bat
- arxiv url: http://arxiv.org/abs/2110.04321v1
- Date: Fri, 8 Oct 2021 18:09:08 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-17 10:59:26.478201
- Title: Computing an Optimal Pitching Strategy in a Baseball At-Bat
- Title（参考訳）: 野球場における最適ピッチング戦略の計算
- Authors: Connor Douglas, Everett Witt, Mia Bendy, and Yevgeniy Vorobeychik
- Abstract要約: 野球のat-batは、投手とバッターのマッチアップです。
ゼロサムゲームとして,この出会いの新たなモデルを提案する。
原則として、このゲームは古典的なアプローチで解決できる。
- 参考スコア（独自算出の注目度）: 19.933511825856126
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The field of quantitative analytics has transformed the world of sports over
the last decade. To date, these analytic approaches are statistical at their
core, characterizing what is and what was, while using this information to
drive decisions about what to do in the future. However, as we often view team
sports, such as soccer, hockey, and baseball, as pairwise win-lose encounters,
it seems natural to model these as zero-sum games. We propose such a model for
one important class of sports encounters: a baseball at-bat, which is a matchup
between a pitcher and a batter. Specifically, we propose a novel model of this
encounter as a zero-sum stochastic game, in which the goal of the batter is to
get on base, an outcome the pitcher aims to prevent. The value of this game is
the on-base percentage (i.e., the probability that the batter gets on base). In
principle, this stochastic game can be solved using classical approaches. The
main technical challenges lie in predicting the distribution of pitch locations
as a function of pitcher intention, predicting the distribution of outcomes if
the batter decides to swing at a pitch, and characterizing the level of
patience of a particular batter. We address these challenges by proposing novel
pitcher and batter representations as well as a novel deep neural network
architecture for outcome prediction. Our experiments using Kaggle data from the
2015 to 2018 Major League Baseball seasons demonstrate the efficacy of the
proposed approach.
- Abstract（参考訳）: 定量的分析の分野は過去10年間、スポーツの世界を変えてきた。
現在までに、これらの分析アプローチは、その中核において統計的であり、何であり、何であったのかを特徴付ける一方で、この情報を使用して将来何をすべきか決定する。
しかし、サッカー、ホッケー、野球などのチームスポーツをペアワイズ・ウィンロスの出会いと見なすことが多いので、ゼロサムゲームとしてモデル化するのは当然のことだ。
本稿では,投手と打者のマッチアップである野球の打席(at-bat)という,重要なスポーツ対決のモデルを提案する。
具体的には,打者のゴールがベースとなるゼロサム確率ゲームとして,ピッチャーが阻止することを目的とした,この出会いの新たなモデルを提案する。
このゲームの価値はオンベースパーセンテージ(すなわち、バッターがベースとなる確率)である。
原則として、この確率ゲームは古典的なアプローチで解くことができる。
主な技術的課題は、ピッチャー意図の関数としてピッチ位置の分布を予測し、打者がピッチでスイングすることを決めた場合の結果の分布を予測し、特定の打者の忍耐レベルを特徴づけることである。
我々は、新たなピッチャーとバッター表現の提案と、結果予測のための新しいディープニューラルネットワークアーキテクチャによって、これらの課題に対処する。
2015年から2018年のメジャーリーグ野球シーズンのカグルデータを用いた実験は,提案手法の有効性を実証した。
関連論文リスト
- Infinite Ends from Finite Samples: Open-Ended Goal Inference as Top-Down Bayesian Filtering of Bottom-Up Proposals [48.437581268398866]
オープンエンドゴール推論のシーケンシャルなモンテカルロモデルを導入する。
我々はこのモデルをブロックワードと呼ばれるゴール推論タスクで検証する。
実験では,人間理論の速度,精度,一般性を説明する上で,トップダウンモデルとボトムアップモデルを組み合わせることの重要性を強調した。
論文 参考訳（メタデータ） (2024-07-23T18:04:40Z) - PitcherNet: Powering the Moneyball Evolution in Baseball Video Analytics [13.928557561312026]
PitcherNetは、生放送ビデオから直接ピッチャーキネマティクスを分析するエンドツーエンドの自動化システムである。
ピッチャー・トラックレットの識別では96.82%の精度で頑健な解析結果が得られる。
PitcherNetは、投球戦略を最適化し、怪我を防ぎ、投手のメカニックの深い理解を解き放つことによって、野球分析の未来への道を開く。
論文 参考訳（メタデータ） (2024-05-13T01:03:06Z) - ShuttleSHAP: A Turn-Based Feature Attribution Approach for Analyzing
Forecasting Models in Badminton [52.21869064818728]
バドミントンにおけるプレイヤー戦術予測のための深層学習アプローチは、部分的にはラリープレイヤの相互作用に関する効果的な推論に起因する有望なパフォーマンスを示している。
本稿では,Shapley値の変量に基づいてバドミントンにおける予測モデルを解析するためのターンベース特徴属性手法であるShuttleSHAPを提案する。
論文 参考訳（メタデータ） (2023-12-18T05:37:51Z) - Bayes-xG: Player and Position Correction on Expected Goals (xG) using
Bayesian Hierarchical Approach [55.2480439325792]
本研究は, 期待目標(xG)測定値を用いて, 目標となるショットの予測における選手や位置要因の影響について検討した。
StatsBombの公開データを使って、イングランドのプレミアリーグから1万発のショットを分析している。
この研究は、スペインのラ・リガとドイツのブンデスリーガのデータに分析を拡張し、同等の結果を得た。
論文 参考訳（メタデータ） (2023-11-22T21:54:02Z) - Learning Correlated Equilibria in Mean-Field Games [62.14589406821103]
我々は平均場相関と粗相関平衡の概念を発展させる。
ゲームの構造に関する仮定を必要とせず,効率よくゲーム内で学習できることが示される。
論文 参考訳（メタデータ） (2022-08-22T08:31:46Z) - Performance Prediction in Major League Baseball by Long Short-Term
Memory Networks [0.35092739016434554]
我々は,メジャーリーグ野球におけるホームラン予測問題の解法として,時系列モデルロング短期記憶を主手法として用いた。
以上の結果から,長期記憶は他より優れた性能を示し,より正確な予測を行うことができることがわかった。
論文 参考訳（メタデータ） (2022-06-20T09:01:44Z) - Learning To Describe Player Form in The MLB [5.612162576040905]
本稿では,MLBにおけるプレイヤーフォームを記述するための,新しいコントラスト学習ベースのフレームワークを提案する。
私たちのフォーム表現には、プレイヤーがプレイのコースにどう影響するかの情報が含まれています。
これらの埋め込みは、ゲーム内のイベント、例えばアットバットやゲームの勝者の結果を予測するために使用できる。
論文 参考訳（メタデータ） (2021-09-11T13:42:07Z) - Analysing Long Short Term Memory Models for Cricket Match Outcome
Prediction [0.0]
近年,様々な機械学習技術を用いてクリケットマッチングデータを解析し,試合結果の勝敗を予測している。
本稿では,ボール・バイ・ボールの統計値から,試合の勝利確率を一定間隔で予測できる新しいリカレントニューラルネットワークモデルを提案する。
論文 参考訳（メタデータ） (2020-11-04T04:49:11Z) - Faster Algorithms for Optimal Ex-Ante Coordinated Collusive Strategies
in Extensive-Form Zero-Sum Games [123.76716667704625]
我々は,不完全情報ゼロサム拡張形式ゲームにおいて,対戦相手と対決する2人の選手のチームにとって最適な戦略を見つけることの課題に焦点をあてる。
この設定では、チームができる最善のことは、ゲーム開始時の関節(つまり相関した)確率分布から潜在的にランダム化された戦略(プレイヤー1人)のプロファイルをサンプリングすることである。
各プロファイルにランダム化されるのはチームメンバーの1人だけであるプロファイルのみを用いることで、そのような最適な分布を計算するアルゴリズムを提供する。
論文 参考訳（メタデータ） (2020-09-21T17:51:57Z) - 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) - A Tracking System For Baseball Game Reconstruction [0.0]
本研究では, ピッチャー, バッター, ボールの動きを, 高精細度で捉えるシステムを提案する。
我々は,従来のシステムと同等の結果が得られるビデオの大規模データベースを実演する。
さらに、選手、コーチ、チーム、ファンが利用できる情報の量を増やすために、最先端のAI技術が組み込まれています。
論文 参考訳（メタデータ） (2020-03-08T22:04:54Z)
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。