論文の概要: Betting the system: Using lineups to predict football scores

• arxiv url: http://arxiv.org/abs/2210.06327v1
• Date: Wed, 12 Oct 2022 15:47:42 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-13 15:21:42.062436
• Title: Betting the system: Using lineups to predict football scores
• Title（参考訳）: システムを賭ける:ラインアップを使ってフットボールの得点を予測する
• Authors: George Peters and Diogo Pacheco
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: This paper aims to reduce randomness in football by analysing the role of lineups in final scores using machine learning prediction models we have developed. Football clubs invest millions of dollars on lineups and knowing how individual statistics translate to better outcomes can optimise investments. Moreover, sports betting is growing exponentially and being able to predict the future is profitable and desirable. We use machine learning models and historical player data from English Premier League (2020-2022) to predict scores and to understand how individual performance can improve the outcome of a match. We compared different prediction techniques to maximise the possibility of finding useful models. We created heuristic and machine learning models predicting football scores to compare different techniques. We used different sets of features and shown goalkeepers stats are more important than attackers stats to predict goals scored. We applied a broad evaluation process to assess the efficacy of the models in real world applications. We managed to predict correctly all relegated teams after forecast 100 consecutive matches. We show that Support Vector Regression outperformed other techniques predicting final scores and that lineups do improve predictions. Finally, our model was profitable (42% return) when emulating a betting system using real world odds data.
• Abstract（参考訳）: 本稿では,我々が開発した機械学習予測モデルを用いて,最終点におけるラインアップの役割を分析し,サッカーの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アップに数百万ドルを投資し、個々の統計がどのようにより良い結果をもたらすかを知り、投資を最適化する。 さらに、スポーツ賭けは指数関数的に増加し、将来を予測することは利益であり、望ましい。 英プレミアリーグ(2020-2022)の機械学習モデルと履歴プレイヤーデータを用いて得点を予測し、個々の成績が試合の結果をどのように改善できるかを理解する。 有用なモデルを見つける可能性を最大化するために,様々な予測手法を比較した。 異なるテクニックを比較するために、サッカーのスコアを予測するヒューリスティックと機械学習のモデルを作りました。 さまざまな機能セットを使用して、ゴールキーパーの統計がアタッカーの統計よりも重要であることを示した。 実世界のアプリケーションにおけるモデルの有効性を評価するために,幅広い評価プロセスを適用した。 100試合連続の予測の後、私たちはうまくすべての降格チームを予測しました。 サポートベクター回帰は最終スコアを予測する他の手法よりも優れており、ラインアップが予測を改善することを示す。 最後に、実世界のオッズデータを用いて賭けシステムをエミュレートする場合、私たちのモデルは利益(42%のリターン)でした。

関連論文リスト

• 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)
• Contrastive Difference Predictive Coding [79.74052624853303]
  本研究では、時系列データの断片を縫合して、将来の事象の予測を学習するために必要なデータの量を減少させるコントラッシブ予測符号化の時間差版を導入する。 目的条件付きRLの非政治アルゴリズムを導出するために,この表現学習手法を適用した。
  論文  参考訳（メタデータ） (2023-10-31T03:16:32Z)
• Prediction of Handball Matches with Statistically Enhanced Learning via Estimated Team Strengths [0.0]
  ハンドボールゲームを予測するため,統計的に強化された学習モデル(別名SEL)を提案する。 SELで強化された機械学習モデルは、80%以上の精度で最先端のモデルより優れています。
  論文  参考訳（メタデータ） (2023-07-20T00:50:26Z)
• ASPEST: Bridging the Gap Between Active Learning and Selective Prediction [56.001808843574395]
  選択予測は、不確実な場合の予測を棄却する信頼性のあるモデルを学ぶことを目的としている。 アクティブラーニングは、最も有意義な例を問うことで、ラベリングの全体、すなわち人間の依存度を下げることを目的としている。 本研究では,移動対象領域からより情報のあるサンプルを検索することを目的とした,新たな学習パラダイムである能動的選択予測を導入する。
  論文  参考訳（メタデータ） (2023-04-07T23:51:07Z)
• A Machine Learning Approach for Player and Position Adjusted Expected Goals in Football (Soccer) [0.0]
  期待されるゴール(xG)は、単なるスコアライン以上の洞察を可能にする。 本稿では,フットボールイベントデータに応用された機械学習アプリケーションについて述べる。 このモデルは15,575発のショットに基づいて,サッカー選手のxGs確率の予測に成功した。
  論文  参考訳（メタデータ） (2023-01-19T22:17:38Z)
• GCN-WP -- Semi-Supervised Graph Convolutional Networks for Win Prediction in Esports [84.55775845090542]
  本稿では,グラフ畳み込みネットワークに基づくエスポートに対する半教師付き勝利予測モデルを提案する。 GCN-WPはマッチとプレーヤに関する30以上の機能を統合し、近隣のゲームを分類するためにグラフ畳み込みを使用している。 本モデルは,LLの機械学習やスキル評価モデルと比較して,最先端の予測精度を実現する。
  論文  参考訳（メタデータ） (2022-07-26T21:38:07Z)
• Explainable expected goal models for performance analysis in football analytics [5.802346990263708]
  本報告では,2014-15年と2020-21年の7シーズンから315,430発のショットをトレーニングした,欧州サッカーリーグのトップ5のゴールモデルを提案する。 我々の知る限りでは、この論文は、プロファイルを集約した説明可能な人工知能ツールの実用的な応用を実証した最初の論文である。
  論文  参考訳（メタデータ） (2022-06-14T23:56:03Z)
• Evaluation of soccer team defense based on prediction models of ball recovery and being attacked [0.8921166277011345]
  本研究では,ボールの回復と攻撃の予測に基づいて,チーム防御を評価する手法を提案する。 45試合のデータを用いて,提案する指標とチームパフォーマンスの関係を検討した。
  論文  参考訳（メタデータ） (2021-03-17T13:15:41Z)
• 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)

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。