論文の概要: Method and Validation for Optimal Lineup Creation for Daily Fantasy
Football Using Machine Learning and Linear Programming
- arxiv url: http://arxiv.org/abs/2309.15253v2
- Date: Thu, 28 Sep 2023 12:15:16 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-29 10:37:12.438354
- Title: Method and Validation for Optimal Lineup Creation for Daily Fantasy
Football Using Machine Learning and Linear Programming
- Title（参考訳）: 機械学習と線形プログラミングを用いた日常ファンタシーフットボールの最適ラインアップ生成法と検証
- Authors: Joseph M. Mahoney, Tomasz B. Paniak
- Abstract要約: デイリー・ファンタジー・スポーツ(英: Daily fantasy Sports、DFS)は、個人選手の実際の演奏をファンタジー・ポイント(FPTS)に変換するオンライン・コンテストである。
本稿では,(1)不確実性の下でNFL選手のパフォーマンスを予測する手法の開発,(2)設定された給与上限の下でFPTSを最大化するための最適ラインアップを決定することに焦点を当てる。
- 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: Daily fantasy sports (DFS) are weekly or daily online contests where
real-game performances of individual players are converted to fantasy points
(FPTS). Users select players for their lineup to maximize their FPTS within a
set player salary cap. This paper focuses on (1) the development of a method to
forecast NFL player performance under uncertainty and (2) determining an
optimal lineup to maximize FPTS under a set salary limit. A supervised learning
neural network was created and used to project FPTS based on past player
performance (2018 NFL regular season for this work) prior to the upcoming week.
These projected FPTS were used in a mixed integer linear program to find the
optimal lineup. The performance of resultant lineups was compared to
randomly-created lineups. On average, the optimal lineups outperformed the
random lineups. The generated lineups were then compared to real-world lineups
from users on DraftKings. The generated lineups generally fell in approximately
the 31st percentile (median). The FPTS methods and predictions presented here
can be further improved using this study as a baseline comparison.
- Abstract（参考訳）: デイリーファンタジースポーツ(英: Daily fantasy Sports、DFS)は、個人選手の実際のパフォーマンスをファンタジーポイント(FPTS)に変換するオンラインコンテストである。
ユーザーはラインアップのプレイヤーを選択して、設定されたプレイヤーの給与上限内でFPTSを最大化する。
本稿では,(1)不確実性の下でNFL選手のパフォーマンスを予測する手法の開発,(2)所定の給与制限下でFPTSを最大化するための最適ラインアップを決定することに焦点を当てる。
教師付き学習ニューラルネットワークが作成され、来週より前に過去のプレーヤーのパフォーマンス(2018 NFLのレギュラーシーズン)に基づいてFPTSを投影するために使用された。
これらの投影されたFPTSは、最適ラインアップを見つけるために混合整数線形プログラムで使用された。
結果のラインアップの性能をランダムに作成したラインアップと比較した。
平均すると、最適ラインアップはランダムラインアップよりも優れていた。
生成されたラインアップは、DraftKingsのユーザーによる現実世界のラインアップと比較された。
生成したラインアップは一般的に31パーセント(中間)に低下した。
本研究をベースライン比較として, FPTS法と予測法をさらに改良することができる。
関連論文リスト
- 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) - Beyond Suspension: A Two-phase Methodology for Concluding Sports Leagues [0.0]
プロスポーツリーグは、新型コロナウイルスの感染拡大などさまざまな理由で休業する可能性がある。
再オープン時にリーグが対処しなければならない重要な疑問は、シーズンを短縮した時間枠で終了するために残りのゲームのサブセットを適切に選択する方法である。
本稿では,データ駆動型モデルを提案する。予測分析と規範解析を利用して,当初予定されていたゲームのサブセットで構成されたシーズンの残りを決定論的にスケジュールする。
論文 参考訳（メタデータ） (2024-03-29T22:23:35Z) - 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) - Data Science Approach to predict the winning Fantasy Cricket Team Dream
11 Fantasy Sports [0.0]
データサイエンスと分析の応用は現代世界ではユビキタスである。
ゲームプレイヤのパフォーマンスを予測する予測モデルを構築した。
論文 参考訳（メタデータ） (2022-09-15T01:58:57Z) - Probabilistic Permutation Graph Search: Black-Box Optimization for
Fairness in Ranking [53.94413894017409]
本稿では、置換グラフの概念に基づいて、置換分布を表現する新しい方法を提案する。
PLと同様に、PPGと呼ばれる分布表現は、公正性のブラックボックス最適化に利用できる。
論文 参考訳（メタデータ） (2022-04-28T20:38:34Z) - Dual Lottery Ticket Hypothesis [71.95937879869334]
Lottery Ticket hypothesis (LTH)は、スパースネットワークトレーニングを調査し、その能力を維持するための新しい視点を提供する。
本稿では,LTHの当選チケットをトレーニング可能なサブネットワークとして,その性能をベンチマークとして検討する。
本稿では,簡単なスパースネットワークトレーニング戦略であるランダムスパースネットワークトランスフォーメーション(RST)を提案し,DLTHを裏付ける。
論文 参考訳（メタデータ） (2022-03-08T18:06:26Z) - Can Reinforcement Learning Find Stackelberg-Nash Equilibria in
General-Sum Markov Games with Myopic Followers? [156.5760265539888]
我々は,マルチプレイヤーのジェネラルサムマルコフゲームについて,リーダーに指名されたプレイヤーとフォロワーに指名されたプレイヤーの1人を用いて研究した。
そのようなゲームに対して、我々のゴールは、政策対 $(pi*, nu*)$ であるスタックルバーグ・ナッシュ均衡 (SNE) を見つけることである。
オンラインとオフラインの両方でSNEを解くために,サンプル効率強化学習(RL)アルゴリズムを開発した。
論文 参考訳（メタデータ） (2021-12-27T05:41:14Z) - 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) - Learning to Run with Potential-Based Reward Shaping and Demonstrations
from Video Data [70.540936204654]
「走ることを学ぶ」競技は、二本足のヒューマノイドボディを最高速度で模擬レースコースで走るように訓練することであった。
すべての提出者は、強化学習(RL)へのタブラララサアプローチを採り入れ、比較的速いが最適な実行動作は得られなかった。
本研究では,人間のランニング映像から得られるデータを用いて,ヒューマノイド学習エージェントの報酬を形成できることを示す。
論文 参考訳（メタデータ） (2020-12-16T09:46:58Z) - Faster Algorithms for Optimal Ex-Ante Coordinated Collusive Strategies
in Extensive-Form Zero-Sum Games [123.76716667704625]
我々は,不完全情報ゼロサム拡張形式ゲームにおいて,対戦相手と対決する2人の選手のチームにとって最適な戦略を見つけることの課題に焦点をあてる。
この設定では、チームができる最善のことは、ゲーム開始時の関節(つまり相関した)確率分布から潜在的にランダム化された戦略(プレイヤー1人)のプロファイルをサンプリングすることである。
各プロファイルにランダム化されるのはチームメンバーの1人だけであるプロファイルのみを用いることで、そのような最適な分布を計算するアルゴリズムを提供する。
論文 参考訳（メタデータ） (2020-09-21T17:51:57Z) - 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。