論文の概要: Prediction of Football Player Value using Bayesian Ensemble Approach

• arxiv url: http://arxiv.org/abs/2206.13246v1
• Date: Fri, 24 Jun 2022 07:13:53 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-28 14:24:50.837547
• Title: Prediction of Football Player Value using Bayesian Ensemble Approach
• Title（参考訳）: ベイズアンサンブルアプローチによるサッカー選手の値の予測
• Authors: Hansoo Lee, Bayu Adhi Tama, Meeyoung Cha
• Abstract要約: そこで本研究では,FIFAデータ分析に基づいて,世界トップのサッカー選手の移籍手数料に影響を及ぼす要因について事例研究を行った。 各プレイヤーの市場価値を予測するため,木構造パーゼンエミュレータ(TPE)アルゴリズムを用いて改良されたLightGBMモデルを提案する。
• 参考スコア（独自算出の注目度）: 13.163358022899335
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The transfer fees of sports players have become astronomical. This is because bringing players of great future value to the club is essential for their survival. We present a case study on the key factors affecting the world's top soccer players' transfer fees based on the FIFA data analysis. To predict each player's market value, we propose an improved LightGBM model by optimizing its hyperparameter using a Tree-structured Parzen Estimator (TPE) algorithm. We identify prominent features by the SHapley Additive exPlanations (SHAP) algorithm. The proposed method has been compared against the baseline regression models (e.g., linear regression, lasso, elastic net, kernel ridge regression) and gradient boosting model without hyperparameter optimization. The optimized LightGBM model showed an excellent accuracy of approximately 3.8, 1.4, and 1.8 times on average compared to the regression baseline models, GBDT, and LightGBM model in terms of RMSE. Our model offers interpretability in deciding what attributes football clubs should consider in recruiting players in the future.
• Abstract（参考訳）: スポーツ選手の移動料金は天文学的になった。 これは、クラブに将来的な価値をもたらすプレイヤーが生き残るために不可欠であるからである。 そこで本研究では,FIFAデータ分析に基づいて,世界トップ選手の転送手数料に影響を及ぼす要因について事例研究を行った。 各プレイヤーの市場価値を予測するため,木構造型Parzen Estimator (TPE)アルゴリズムを用いてハイパーパラメータを最適化し,改良されたLightGBMモデルを提案する。 SHAP(SHapley Additive exPlanations)アルゴリズムにより特徴を同定する。 提案手法は,線形回帰,ラッソ,弾性ネット,カーネルリッジ回帰などのベースライン回帰モデルと,ハイパーパラメータ最適化を伴わない勾配促進モデルとの比較を行った。 最適化されたLightGBMモデルはRMSEの回帰ベースラインモデル、GBDT、LightGBMモデルと比較して平均3.8、1.4、1.8倍の精度を示した。 我々のモデルは,将来,サッカークラブが選手を募集する際に考慮すべき属性を決定する上で,解釈可能性を提供する。

関連論文リスト

• Multi-Step Alignment as Markov Games: An Optimistic Online Gradient Descent Approach with Convergence Guarantees [91.88803125231189]
  マルチステップ優先最適化(MPO)は、自然なアクター批判フレームワークciteprakhlin2013online,joulani17a上に構築されている。 我々はOMPOが$mathcalO(epsilon-1)$ポリシー更新を必要とし、$epsilon$-approximate Nash平衡に収束することを示した。 また,本手法がマルチターン会話データセットと数理推論データセットに与える影響についても検証した。
  論文  参考訳（メタデータ） (2025-02-18T09:33:48Z)
• MM-RLHF: The Next Step Forward in Multimodal LLM Alignment [59.536850459059856]
  MM-RLHF, $mathbf120k$ fine-fine, human-annotated preference comparison pairsを含むデータセットを紹介する。 本稿では,報酬モデルの品質向上とアライメントアルゴリズムの効率向上のために,いくつかの重要なイノベーションを提案する。 我々のアプローチは、$mathbf10$の異なる次元と$mathbf27$のベンチマークで厳格に評価されている。
  論文  参考訳（メタデータ） (2025-02-14T18:59:51Z)
• Forecasting the future development in quality and value of professional football players for applications in team management [0.0]
  データ駆動モデルは、プロサッカーにおける転送決定を改善するために使用することができる。 近年の研究では、予測の不確実性定量化と説明可能なモデルの使用が求められている。 本稿では,予測精度と不確実性定量化手法に基づいて,説明可能な機械学習モデルを評価する。
  論文  参考訳（メタデータ） (2025-02-11T13:09:09Z)
• Iterative Nash Policy Optimization: Aligning LLMs with General Preferences via No-Regret Learning [55.65738319966385]
  我々は、新しいオンラインアルゴリズム、反復的ナッシュポリシー最適化(INPO)を提案する。 従来の方法とは異なり、INPOは個々の応答に対する期待される勝利率を推定する必要性を回避している。 LLaMA-3-8BベースのSFTモデルで、INPOはAlpacaEval 2.0で42.6%、Arena-Hardで37.8%の勝利率を達成した。
  論文  参考訳（メタデータ） (2024-06-30T08:00:34Z)
• Deep Learning and Transfer Learning Architectures for English Premier League Player Performance Forecasting [0.0]
  本稿では、畳み込みニューラルネットワーク(CNN)を用いて、イングランド・プレミアリーグ(EPL)選手のパフォーマンスを予測するための画期的なモデルを提案する。 本研究は,過去数週間のEPLデータに基づいて,今後の選手のFPL得点を予測する作業において,リッジ回帰,LightGBM,CNNを評価した。 我々の最適CNNアーキテクチャは、少ない入力機能でより良い性能を達成し、文学において最も優れたEPLプレーヤー性能予測モデルよりも優れています。
  論文  参考訳（メタデータ） (2024-05-03T18:13:52Z)
• Self-Play Preference Optimization for Language Model Alignment [75.83359213697854]
  近年の進歩は、嗜好の確率で直接作業することで、人間の嗜好をより正確に反映できることを示している。 本稿では,言語モデルアライメントのためのセルフプレイ方式を提案する。 我々の手法はSPPO(Self-Play Preference Optimization)と呼ばれ、繰り返しポリシー更新を利用してナッシュ均衡を確実に近似する。
  論文  参考訳（メタデータ） (2024-05-01T17:59:20Z)
• Monte Carlo Tree Search Boosts Reasoning via Iterative Preference Learning [55.96599486604344]
  本稿では,Large Language Models (LLMs) の推論能力向上を目的とした,反復的な選好学習プロセスによるアプローチを提案する。 我々は、MCTS(Monte Carlo Tree Search)を用いて好みデータを反復的に収集し、そのルックアヘッド機能を利用して、インスタンスレベルの報酬をよりきめ細かいステップレベルの信号に分解する。 提案アルゴリズムはDPO(Direct Preference Optimization)を用いて,新たに生成されたステップレベルの優先度データを用いてLCMポリシーを更新する。
  論文  参考訳（メタデータ） (2024-05-01T11:10:24Z)
• 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)
• 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)
• Mismatched No More: Joint Model-Policy Optimization for Model-Based RL [172.37829823752364]
  本稿では,モデルとポリシーを共同でトレーニングする単一目的について提案する。 我々の目標は、期待されるリターンのグローバルな低い境界であり、この境界は特定の仮定の下で厳密になる。 結果のアルゴリズム(MnM)は概念的にはGANと似ている。
  論文  参考訳（メタデータ） (2021-10-06T13:43:27Z)

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。