Fugu-MT 論文翻訳(概要): Features selection in NBA outcome prediction through Deep Learning

論文の概要: Features selection in NBA outcome prediction through Deep Learning

arxiv url: http://arxiv.org/abs/2111.09695v1
Date: Wed, 17 Nov 2021 16:32:11 GMT
ステータス: 処理完了
システム内更新日: 2021-11-19 14:46:31.803024
Title: Features selection in NBA outcome prediction through Deep Learning
Title（参考訳）: 深層学習によるNBA結果予測の特徴選択
Authors: Manlio Migliorati (University of Brescia, Department of Economics and Management, Italy)
Abstract要約: 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。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: This manuscript is focused on features' definition for the outcome prediction of matches of NBA basketball championship. It is shown how models based on one a single feature (Elo rating or the relative victory frequency) have a quality of fit better than models using box-score predictors (e.g. the Four Factors). Features have been ex ante calculated for a dataset containing data of 16 NBA regular seasons, paying particular attention to home court factor. Models have been produced via Deep Learning, using cross validation.
Abstract（参考訳）: この原稿はNBAバスケットボール選手権の試合結果予測のための特徴の定義に焦点を当てている。 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(例えば4因子)を使用する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特徴が計算され、特にホームコートファクタに注意を払っている。モデルは、クロスバリデーションを使用して、Deep Learningを通じて作成されている。

関連論文リスト

GIFT-Eval: A Benchmark For General Time Series Forecasting Model Evaluation [90.53485251837235]
GIFT-Evalは、多様なデータセットに対する評価を促進するための先駆的なベンチマークである。 GIFT-Evalには、144,000の時系列と17700万のデータポイントに28のデータセットが含まれている。また、約2300億のデータポイントを含む非学習事前学習データセットも提供します。
論文参考訳（メタデータ） (2024-10-14T11:29:38Z)
LLM-Select: Feature Selection with Large Language Models [64.5099482021597]
大規模言語モデル(LLM)は、データサイエンスの標準ツールに匹敵するパフォーマンスで、最も予測可能な機能を選択することができる。以上の結果から,LSMはトレーニングに最適な機能を選択するだけでなく,そもそもどの機能を収集すべきかを判断する上でも有用である可能性が示唆された。
論文参考訳（メタデータ） (2024-07-02T22:23:40Z)
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)
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)
Optimizing Offensive Gameplan in the National Basketball Association with Machine Learning [0.0]
ORTG (Offensive Rating) はディーン・オリバーによって開発された。本稿では,NBAのプレイタイプと統計ORTGの相関関係について検討した。モデルの精度を正当化するために、次のステップはモデルの出力を最適化することであった。
論文参考訳（メタデータ） (2023-08-13T22:03:35Z)
Stubborn Lexical Bias in Data and Models [50.79738900885665]
我々は、データに基づいてトレーニングされたモデルに、データのスプリアスパターンが現れるかどうかを調べるために、新しい統計手法を用いる。トレーニングデータに*reweight*に最適化アプローチを適用し、数千のスプリアス相関を低減します。驚くべきことに、この方法ではトレーニングデータの語彙バイアスを低減できますが、トレーニングされたモデルで対応するバイアスの強い証拠がまだ見つかっていません。
論文参考訳（メタデータ） (2023-06-03T20:12:27Z)
Preserving Knowledge Invariance: Rethinking Robustness Evaluation of Open Information Extraction [50.62245481416744]
実世界におけるオープン情報抽出モデルの評価をシミュレートする最初のベンチマークを示す。我々は、それぞれの例が知識不変のcliqueである大規模なテストベッドを設計し、注釈付けする。さらにロバスト性計量を解明することにより、その性能が全体の傾きに対して一貫して正確であるならば、モデルはロバストであると判断される。
論文参考訳（メタデータ） (2023-05-23T12:05:09Z)
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)
NBA2Vec: Dense feature representations of NBA players [0.0]
本稿では,各プレーヤの高密度特徴表現を抽出するWord2Vecに基づくニューラルネットワークモデルであるNBA2Vecを提案する。 NBA2Vecは、2017年のNBAプレイオフシリーズの結果を正確に予測する。 NBA2Vec埋め込みの今後の応用は、プレイヤーのスタイルを特徴付けることで、プレイヤーの獲得とコーチング決定のための予測モデルに革命をもたらす可能性がある。
論文参考訳（メタデータ） (2023-02-26T19:05:57Z)
Investigating Ensemble Methods for Model Robustness Improvement of Text Classifiers [66.36045164286854]
既存のバイアス機能を分析し、すべてのケースに最適なモデルが存在しないことを実証します。適切なバイアスモデルを選択することで、より洗練されたモデル設計でベースラインよりもロバスト性が得られる。
論文参考訳（メタデータ） (2022-10-28T17:52:10Z)
Descriptive and Predictive Analysis of Euroleague Basketball Games and the Wisdom of Basketball Crowds [0.0]
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。
論文参考訳（メタデータ） (2020-02-19T22:04:29Z)

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。