論文の概要: Performance Prediction in Major League Baseball by Long Short-Term Memory Networks

• arxiv url: http://arxiv.org/abs/2206.09654v1
• Date: Mon, 20 Jun 2022 09:01:44 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-22 13:06:17.495428
• Title: Performance Prediction in Major League Baseball by Long Short-Term Memory Networks
• Title（参考訳）: 長期記憶ネットワークによるメジャーリーグ野球のパフォーマンス予測
• Authors: Hsuan-Cheng Sun, Tse-Yu Lin, Yen-Lung Tsai
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.35092739016434554
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Player performance prediction is a serious problem in every sport since it brings valuable future information for managers to make important decisions. In baseball industries, there already existed variable prediction systems and many types of researches that attempt to provide accurate predictions and help domain users. However, it is a lack of studies about the predicting method or systems based on deep learning. Deep learning models had proven to be the greatest solutions in different fields nowadays, so we believe they could be tried and applied to the prediction problem in baseball. Hence, the predicting abilities of deep learning models are set to be our research problem in this paper. As a beginning, we select numbers of home runs as the target because it is one of the most critical indexes to understand the power and the talent of baseball hitters. Moreover, we use the sequential model Long Short-Term Memory as our main method to solve the home run prediction problem in Major League Baseball. We compare models' ability with several machine learning models and a widely used baseball projection system, sZymborski Projection System. Our results show that Long Short-Term Memory has better performance than others and has the ability to make more exact predictions. We conclude that Long Short-Term Memory is a feasible way for performance prediction problems in baseball and could bring valuable information to fit users' needs.
• Abstract（参考訳）: プレイヤーのパフォーマンス予測は、マネージャが重要な決定を下す上で価値のある将来情報をもたらすため、あらゆるスポーツにおいて深刻な問題である。 野球業界では、既に可変予測システムと、正確な予測を提供し、ドメインユーザーを助ける多くの種類の研究が存在している。 しかし、深層学習に基づく予測手法やシステムについての研究は欠如している。 深層学習モデルは近年,様々な分野において最大の解法であることが証明されており,野球の予測問題に対して試行して適用できると考えている。 そこで,本論文では,深層学習モデルの予測能力が研究課題であると考えられる。 まず、野球の打者の力と才能を理解する上で最も重要な指標であるホームランの数を目標として選択する。 さらに, メジャーリーグ野球におけるホームラン予測問題を解決するために, 主手法としてシーケンシャルモデル長短期記憶を用いた。 いくつかの機械学習モデルと広く使われている野球投射システムsZymborski Projection Systemを比較した。 その結果,短期記憶の長大化は他のメモリよりも優れた性能を示し,より正確な予測が可能となった。 短期記憶は野球におけるパフォーマンス予測問題に対して実現可能な方法であり,ユーザのニーズに合った貴重な情報をもたらすことができると結論づけた。

関連論文リスト

• Predicting Outcomes in Video Games with Long Short Term Memory Networks [0.39723189359605243]
  本研究は,ゲームトーナメントにおける観客エンゲージメントを高めるために,リアルタイムな勝利予測手法を導入することを目的とする。 概念実証として,従来の2人プレイのアーケードゲームSuper Street Fighter II Turboにおけるモデルの性能を評価する。
  論文  参考訳（メタデータ） (2024-02-24T22:36:23Z)
• nanoLM: an Affordable LLM Pre-training Benchmark via Accurate Loss Prediction across Scales [65.01417261415833]
  我々は,最大更新パラメトリゼーション(muP)がスケーリング法則の正確な適合を可能にするという観測に基づいて,事前学習損失を予測する手法を提案する。 トレーニング前コストの約14%で、52Bまでのモデルの損失を正確に予測できる。 NanoLMのゴールは、限られた資源を持つ研究者が大きなモデルで有意義な結論に達することを可能にすることです。
  論文  参考訳（メタデータ） (2023-04-14T00:45:01Z)
• 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)
• Meta-Learning over Time for Destination Prediction Tasks [53.12827614887103]
  交通分野における公共目的と民間目標の両方を、車両の行動を理解し、予測する必要がある。 近年の研究では、時間情報の導入による予測性能の限界改善しか見出されていない。 本稿では、ニューラルネットワークが入力に応じて自身の重みを変えることを学習するハイパーネットワークに基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2022-06-29T17:58:12Z)
• 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)
• Computing an Optimal Pitching Strategy in a Baseball At-Bat [19.933511825856126]
  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。
  論文  参考訳（メタデータ） (2021-10-08T18:09:08Z)
• 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)
• 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)
• 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)
• Predicting MOOCs Dropout Using Only Two Easily Obtainable Features from the First Week's Activities [56.1344233010643]
  いくつかの特徴は、学習者の誘惑や興味の欠如に寄与すると考えられており、そのことが解脱や総減退につながる可能性がある。 この研究は、いくつかの機械学習アプローチを比較して、最初の1週間から早期のドロップアウトを予測することを目的としている。
  論文  参考訳（メタデータ） (2020-08-12T10:44:49Z)
• Ambiguity in Sequential Data: Predicting Uncertain Futures with Recurrent Models [110.82452096672182]
  逐次データによる曖昧な予測を扱うために,Multiple hypothesis Prediction(MHP)モデルの拡張を提案する。 また、不確実性を考慮するのに適した曖昧な問題に対する新しい尺度も導入する。
  論文  参考訳（メタデータ） (2020-03-10T09:15:42Z)

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。