論文の概要: NFL Career Success as Predicted by NFL Scouting Combine

• arxiv url: http://arxiv.org/abs/2303.05774v1
• Date: Fri, 10 Mar 2023 08:19:35 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-13 15:40:33.858790
• Title: NFL Career Success as Predicted by NFL Scouting Combine
• Title（参考訳）: NFLのキャリア成功、NFLのスカウトが予想
• Authors: Brian Szekely, Christian Sinnott, Savannah Halow, Gregory Ryan
• Abstract要約: ナショナル・フットボール・リーグ(NFL)スカウティング・コンバイン(英語版)は、将来の選手のスキルを評価するツールとして機能している。 機械学習の開発は、スカウティング・コンバインの有用性を評価する新たな機会をもたらす。 機械学習と統計的学習を用いて、将来のスポーツ選手の成功を予測することができるかもしれない。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The National Football League (NFL) Scouting Combine serves as a tool to evaluate the skills of prospective players and assess their readiness to play in the NFL. The development of machine learning brings new opportunities in assessing the utility of the Scouting Combine. Using machine and statistical learning, it may be possible to predict future success of prospective athletes, as well as predict which Scouting Combine tests are the most important. Results from statistical learning research have been contradicting whether the Scouting combine is a useful metric for player success. In this study, we investigate if machine learning can be used to determine matriculation and future success in the NFL. Using Scouting Combine data, we evaluate six different algorithms' ability to predict whether a potential draft pick will play a single NFL snap (matriculation). If a player is drafted, we predict how many snaps they go on to play (success). We are able to predict matriculation with 83% accuracy; however, we are unable to predict later success. Our best performing algorithm returns large error and low explained variance (RMSE=1,210 snaps; ${R}^2$=0.17). These findings indicate that while the Scouting Combine can predict NFL matriculation, it may not be a reliable predictor of long-term player success.
• Abstract（参考訳）: ナショナル・フットボール・リーグ(nfl)のスカウティング・コンバインドは、プロの選手のスキルを評価し、nflでプレーする準備を評価するためのツールである。 機械学習の開発は、スカウトの組み合わせの有用性を評価する新しい機会をもたらす。 機械学習と統計的学習を用いることで、将来のスポーツ選手の成功を予測でき、どのスカウティングコンバインドテストが最も重要であるかを予測できるかもしれない。 統計的学習研究の結果は、スカウティングの組み合わせがプレイヤーの成功に有用な指標であるかどうかに矛盾している。 本研究では,nflにおける熟成と今後の成功を機械学習で判断できるかどうかについて検討する。 Scouting Combineデータを用いて、潜在的なドラフトピックが1つのNFLスナップ(行列)を再生するかどうかを予測する6つの異なるアルゴリズムの能力を評価する。 プレイヤーがドラフトされた場合、何枚のスナップがプレイされるかを予測する(成功)。 我々は83%の精度で妊娠を予測することができるが、その後の成功は予測できない。 最良のアルゴリズムは大きな誤差と説明の少ない分散を返す(rmse=1,210 snaps; ${r}^2$=0.17)。 これらの結果は、スカウティング・コンバイン(Scouting Combine)はNFLの成熟を予測できるが、長期の選手の成功の確実な予測にはならないことを示している。

関連論文リスト

• Stacking-based deep neural network for player scouting in football 1 [0.0]
  本稿では,多人数のサッカー選手を検知するスタックリングに基づくディープラーニングモデルを提案する。 オープンソースデータベースに適用すると,従来の統計手法よりもはるかに優れた結果が得られる。
  論文  参考訳（メタデータ） (2024-03-13T08:10:18Z)
• 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)
• 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)
• Increasing Students' Engagement to Reminder Emails Through Multi-Armed Bandits [60.4933541247257]
  本稿では,学生が週毎のメールリマインダーとどのように関わり,時間管理の習慣を構築するかについて,実世界の適応実験を行った。 適応実験にマルチアーマド・バンド(MAB)アルゴリズムを用いると、より良い結果が得られる可能性が高まる。 我々は、これらの適応アルゴリズムの問題点を強調します。例えば、大きな違いがない場合の腕の活用などです。
  論文  参考訳（メタデータ） (2022-08-10T00:30:52Z)
• 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)
• Collusion Detection in Team-Based Multiplayer Games [57.153233321515984]
  チームベースのマルチプレイヤーゲームにおいて,協調動作を検出するシステムを提案する。 提案手法は,ゲーム内行動パターンと組み合わせたプレイヤーの社会的関係を解析する。 次に,非教師なし学習手法であるアイソレーションフォレストによる検出を自動化する。
  論文  参考訳（メタデータ） (2022-03-10T02:37:39Z)
• Deep Artificial Intelligence for Fantasy Football Language Understanding [0.32622301272834525]
  本研究ではESPN Fantasy Footballチームを管理するための機械学習パイプラインの結果について論じる。 このシステムは自然言語を100%の類似検定精度と80%のキーワード検定精度で理解する。 ディープラーニングフィードフォワードニューラルネットワークは、プレイヤーがバスト、ブーム、隠れた怪我でプレイしたり、累積的な72%の精度で意味のあるタッチをプレイしたりといったプレイヤーの分類を提供する。
  論文  参考訳（メタデータ） (2021-11-04T14:02:11Z)
• Frame by frame completion probability of an NFL pass [0.0]
  アメリカンフットボールは人気の高いスポーツであり、世界中の多くの国で観衆が増えている。 最寄りディフェンダーからのレシーバ分離など、多くの要因がパス完了の確率に影響を与える可能性がある。 プレーヤとボール間の距離測定を用いて、経験的確率を計算し、ターゲットが誰であるかを予測する。
  論文  参考訳（メタデータ） (2021-09-16T15:34:56Z)
• 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)
• 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)
• Learning to Play Sequential Games versus Unknown Opponents [93.8672371143881]
  学習者が最初にプレーするゲームと、選択した行動に反応する相手との連続的なゲームについて考察する。 対戦相手の対戦相手列と対戦する際,学習者に対して新しいアルゴリズムを提案する。 我々の結果には、相手の反応の正則性に依存するアルゴリズムの後悔の保証が含まれている。
  論文  参考訳（メタデータ） (2020-07-10T09:33:05Z)

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。