論文の概要: Predicting Market Value in Professional Soccer: Insights from
Explainable Machine Learning Models
- arxiv url: http://arxiv.org/abs/2311.04599v1
- Date: Wed, 8 Nov 2023 11:01:32 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-09 16:17:27.031806
- Title: Predicting Market Value in Professional Soccer: Insights from
Explainable Machine Learning Models
- Title(参考訳): プロサッカーにおける市場価値の予測 - 説明可能な機械学習モデルからの考察
- Authors: Chunyang Huang, Shaoliang Zhang
- Abstract要約: FIFAウェブサイトから収集したデータセットを用いて、モデルの予測に関する詳細な説明を提供するために、アンサンブル機械学習アプローチを採用する。
解析の結果,ボールコントロール,ショートパス,フィニッシュ,インターセプション,ドリブル,タックリングといった特定のスキルが,スキルディメンションの中で最重要であることが明らかとなった。
我々の結果は、より正確で客観的で一貫した、市場価値の推定フレームワークを提供し、プレイヤー転送における管理上の決定に有用な洞察を提供する。
- 参考スコア(独自算出の注目度): 2.2590064835234913
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This study presents an innovative method for predicting the market value of
professional soccer players using explainable machine learning models. Using a
dataset curated from the FIFA website, we employ an ensemble machine learning
approach coupled with Shapley Additive exPlanations (SHAP) to provide detailed
explanations of the models' predictions. The GBDT model achieves the highest
mean R-Squared (0.8780) and the lowest mean Root Mean Squared Error
(3,221,632.175), indicating its superior performance among the evaluated
models. Our analysis reveals that specific skills such as ball control, short
passing, finishing, interceptions, dribbling, and tackling are paramount within
the skill dimension, whereas sprint speed and acceleration are critical in the
fitness dimension, and reactions are preeminent in the cognitive dimension. Our
results offer a more accurate, objective, and consistent framework for market
value estimation, presenting useful insights for managerial decisions in player
transfers.
- Abstract(参考訳): 本研究では,説明可能な機械学習モデルを用いて,プロサッカー選手の市場価値を予測する革新的な手法を提案する。
fifaのウェブサイトから収集したデータセットを用いて,shapley additive explanations (shap) を併用したアンサンブル機械学習手法を用いて,モデル予測の詳細な説明を行う。
GBDTモデルは平均 R-Squared (0.8780) と最低平均 Root Mean Squared Error (3,221,632.175) を達成する。
分析の結果,ボールコントロール,ショートパス,インターセプション,リブリング,タックリングといった特定のスキルがスキルディメンションにおいて最重要であるのに対して,スプリントスピードとアクセラレーションはフィットネスディメンションにおいて重要であり,認知次元では反応が顕著であることがわかった。
我々の結果は、より正確で客観的で一貫した市場価値推定フレームワークを提供し、プレイヤー転送における管理上の決定に有用な洞察を提供する。
関連論文リスト
- 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) - Self-Training with Pseudo-Label Scorer for Aspect Sentiment Quad Prediction [54.23208041792073]
Aspect Sentiment Quad Prediction (ASQP) は、与えられたレビューに対して全てのクワッド(アスペクト項、アスペクトカテゴリー、意見項、感情極性)を予測することを目的としている。
ASQPタスクにおける重要な課題はラベル付きデータの不足であり、既存のメソッドのパフォーマンスを制限している。
そこで我々は,擬似ラベルスコアラーを用いた自己学習フレームワークを提案し,レビューと擬似ラベルの一致をスコアラーが評価する。
論文 参考訳(メタデータ) (2024-06-26T05:30:21Z) - Machine Learning for Soccer Match Result Prediction [0.9002260638342727]
本章では、利用可能なデータセット、モデルと機能のタイプ、モデルパフォーマンスを評価する方法について論じる。
本章の目的は,サッカーの試合結果予測のための機械学習の現状と今後の展開について概説することである。
論文 参考訳(メタデータ) (2024-03-12T14:00:50Z) - ShuttleSHAP: A Turn-Based Feature Attribution Approach for Analyzing
Forecasting Models in Badminton [52.21869064818728]
バドミントンにおけるプレイヤー戦術予測のための深層学習アプローチは、部分的にはラリープレイヤの相互作用に関する効果的な推論に起因する有望なパフォーマンスを示している。
本稿では,Shapley値の変量に基づいてバドミントンにおける予測モデルを解析するためのターンベース特徴属性手法であるShuttleSHAPを提案する。
論文 参考訳(メタデータ) (2023-12-18T05:37:51Z) - 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) - Machine Learning Modeling to Evaluate the Value of Football Players [0.0]
本研究では,機械学習モデルの構築に基づく,現在のサッカー選手の価値を評価する新しい手法について検討する。
このプロジェクトで使用された選手のデータは、いくつかのサッカーウェブサイトにある。
その動機は、サッカー選手の異なる特徴と彼らの給与の関係を探ることである。
論文 参考訳(メタデータ) (2022-07-22T22:34:52Z) - Prediction of Football Player Value using Bayesian Ensemble Approach [13.163358022899335]
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。
論文 参考訳(メタデータ) (2022-06-24T07:13:53Z) - Explain, Edit, and Understand: Rethinking User Study Design for
Evaluating Model Explanations [97.91630330328815]
我々はクラウドソーシング研究を行い、真偽のホテルレビューと偽のホテルレビューを区別するために訓練された詐欺検出モデルと対話する。
単語の線形バッグモデルでは、トレーニング中に特徴係数にアクセスした参加者は、非説明制御と比較して、テストフェーズにおいてモデルの信頼性が大幅に低下する可能性があることを観察する。
論文 参考訳(メタデータ) (2021-12-17T18:29:56Z) - Evaluation Toolkit For Robustness Testing Of Automatic Essay Scoring
Systems [64.4896118325552]
モデル逆算評価スキームと関連するメトリクスを用いて、現状のAESモデルを評価する。
AESモデルは非常に過大評価されていることがわかった。質問の話題に関係のない内容の重い修正(25%まで)でさえ、モデルが生み出すスコアを低下させることはない。
論文 参考訳(メタデータ) (2020-07-14T03:49:43Z) - Using Player's Body-Orientation to Model Pass Feasibility in Soccer [7.205450793637325]
本稿では,サッカーの試合のモノラルな映像から,任意の時間に最も実現可能なパスを推定する計算モデルを提案する。
この方法は、攻撃的な選手の方向(および位置)と相手の空間構成を利用して、同じチームの選手内でのパスイベントの実現可能性を計算する。
その結果、配向を実現可能性尺度として含めることで、ロバストな計算モデルを構築することができ、0.7 Top-3の精度に達することが示されている。
論文 参考訳(メタデータ) (2020-04-15T17:09:51Z) - Value-driven Hindsight Modelling [68.658900923595]
値推定は強化学習(RL)パラダイムの重要な構成要素である。
モデル学習は、観測系列に存在する豊富な遷移構造を利用することができるが、このアプローチは通常、報酬関数に敏感ではない。
この2つの極点の間に位置するRLにおける表現学習のアプローチを開発する。
これにより、タスクに直接関連し、値関数の学習を加速できる、抽出可能な予測ターゲットが提供される。
論文 参考訳(メタデータ) (2020-02-19T18:10:20Z)
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。