論文の概要: MLFEF: Machine Learning Fusion Model with Empirical Formula to Explore
the Momentum in Competitive Sports
- arxiv url: http://arxiv.org/abs/2402.12149v1
- Date: Mon, 19 Feb 2024 14:02:13 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-20 16:25:35.791281
- Title: MLFEF: Machine Learning Fusion Model with Empirical Formula to Explore
the Momentum in Competitive Sports
- Title（参考訳）: mlfef: 競争スポーツの勢いを探るための経験的公式を持つ機械学習融合モデル
- Authors: Ruixin Peng, Ziqing Li
- Abstract要約: 私たちは2つのモデルを構築します。1つはデータ駆動型に基づくモデルを構築すること、もう1つは経験則に基づくモデルを構築することです。
データ駆動型モデルでは,過去5年間にテニスの試合の公開データや選手の個人情報データを含む大量の公開データを発見した。
メカニズム分析モデルでは,多くのテニス選手や愛好家の提案に基づいて重要な特徴が選択された。
- 参考スコア（独自算出の注目度）: 2.4048240311299725
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Tennis is so popular that coaches and players are curious about factors other
than skill, such as momentum. This article will try to define and quantify
momentum, providing a basis for real-time analysis of tennis matches. Based on
the tennis Grand Slam men's singles match data in recent years, we built two
models, one is to build a model based on data-driven, and the other is to build
a model based on empirical formulas. For the data-driven model, we first found
a large amount of public data including public data on tennis matches in the
past five years and personal information data of players. Then the data is
preprocessed, and feature engineered, and a fusion model of SVM, Random Forrest
algorithm and XGBoost was established. For the mechanism analysis model,
important features were selected based on the suggestions of many tennis
players and enthusiasts, the sliding window algorithm was used to calculate the
weight, and different methods were used to visualize the momentum. For further
analysis of the momentum fluctuation, it is based on the popular CUMSUM
algorithm in the industry as well as the RUN Test, and the result shows the
momentum is not random and the trend might be random. At last, the robustness
of the fusion model is analyzed by Monte Carlo simulation.
- Abstract（参考訳）: テニスは非常に人気があり、コーチや選手は運動量などのスキル以外の要素に興味を持っている。
本稿では,テニスの試合のリアルタイム解析の基礎として,運動量の定義と定量化を試みる。
近年のテニスグランドスラム男子シングルスマッチデータに基づいて,データ駆動モデルの構築と経験的公式に基づくモデルの構築という2つのモデルを構築した。
データ駆動型モデルでは,過去5年間にテニスの試合の公開データや選手の個人情報データを含む大量の公開データを発見した。
その後、データは前処理され、フィーチャエンジニアリングされ、SVM、ランダムフォレストアルゴリズム、XGBoostの融合モデルが確立された。
機構解析モデルでは,多くのテニス選手や愛好家の提案に基づいて重要な特徴が選択され,スライディングウインドウアルゴリズムが重量の計算に用いられ,モメンタムの可視化には異なる手法が用いられた。
モーメント変動のさらなる分析は、業界で人気のCUMSUMアルゴリズムとRUNテストに基づいており、その結果、モーメントがランダムではなく、トレンドがランダムであることを示している。
最終的に、核融合モデルの堅牢性はモンテカルロシミュレーションによって解析される。
関連論文リスト
- Momentum Capture and Prediction System Based on Wimbledon Open2023 Tournament Data [4.733690536516437]
本研究では,エントロピー重み法(EWM)とグレイ関係解析(GRA)を相乗化して,運動量の影響を定量化する評価モデルを提案する。
モデルが特定の要因が一致力学に与える影響を識別する能力は、両方向の距離が点の間を走るときに、その長所を示す。
論文 参考訳（メタデータ） (2024-08-02T19:14:49Z) - Capturing Momentum: Tennis Match Analysis Using Machine Learning and Time Series Theory [0.9449650062296823]
本稿ではテニスの試合の勢いについて分析する。
まず隠れマルコフモデルを用いてプレイヤーのパフォーマンスとして定義される運動量を予測する。
そして、Xgboost を用いて運動量の重要性を証明する。
論文 参考訳（メタデータ） (2024-04-20T07:11:06Z) - 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) - On Least Square Estimation in Softmax Gating Mixture of Experts [78.3687645289918]
決定論的MoEモデルに基づく最小二乗推定器(LSE)の性能について検討する。
我々は,多種多様な専門家関数の収束挙動を特徴付けるために,強い識別可能性という条件を確立する。
本研究は,専門家の選択に重要な意味を持つ。
論文 参考訳（メタデータ） (2024-02-05T12:31:18Z) - 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) - Supervised Learning for Table Tennis Match Prediction [2.7835697868135902]
本稿では,テーブルテニスシングルマッチの結果を予測するために機械学習を用いることを提案する。
我々は,プレイヤーとマッチング統計を特徴として用いて,その相対的重要性をアブレーション研究で評価する。
結果は将来の卓球予測モデルのベースラインとして機能し、同様の球技の予測研究にフィードバックすることができる。
論文 参考訳（メタデータ） (2023-03-28T17:42:13Z) - Dataless Knowledge Fusion by Merging Weights of Language Models [51.8162883997512]
微調整された事前学習言語モデルは、下流のNLPモデルを構築するための主要なパラダイムとなっている。
これは、より優れた単一モデルを生み出すために、個々のモデル間で知識を融合させる障壁を生み出します。
パラメータ空間のモデルをマージするデータレス知識融合法を提案する。
論文 参考訳（メタデータ） (2022-12-19T20:46:43Z) - Synthetic Model Combination: An Instance-wise Approach to Unsupervised
Ensemble Learning [92.89846887298852]
ラベル付きデータのトレーニングセットから学ぶ機会のない、新しいテストデータに対する予測を検討する。
専門家モデルのセットと予測へのアクセスと、トレーニングに使用するデータセットに関する制限された情報を提供すること。
論文 参考訳（メタデータ） (2022-10-11T10:20:31Z) - Learning from aggregated data with a maximum entropy model [73.63512438583375]
我々は,観測されていない特徴分布を最大エントロピー仮説で近似することにより,ロジスティック回帰と類似した新しいモデルが,集約データからのみ学習されることを示す。
我々は、この方法で学習したモデルが、完全な非凝集データでトレーニングされたロジスティックモデルに匹敵するパフォーマンスを達成することができるという、いくつかの公開データセットに関する実証的な証拠を提示する。
論文 参考訳（メタデータ） (2022-10-05T09:17:27Z) - Machine Learning in Sports: A Case Study on Using Explainable Models for
Predicting Outcomes of Volleyball Matches [0.0]
本稿では,ブラジルバレーボールリーグ(SuperLiga)における試合結果を予測するための2相説明可能な人工知能(XAI)アプローチについて検討する。
第1フェーズでは、解釈可能なルールベースのMLモデルを直接使用し、モデルの振る舞いをグローバルに理解する。
第2フェーズでは,SVM(Support Vector Machine)やDNN(Deep Neural Network)といった非線形モデルを構築し,バレーボールの試合結果の予測性能を得る。
論文 参考訳（メタデータ） (2022-06-18T18:09:15Z) - VAE-LIME: Deep Generative Model Based Approach for Local Data-Driven
Model Interpretability Applied to the Ironmaking Industry [70.10343492784465]
モデル予測だけでなく、その解釈可能性も、プロセスエンジニアに公開する必要があります。
LIMEに基づくモデルに依存しない局所的解釈可能性ソリューションが最近出現し、元の手法が改良された。
本稿では, 燃焼炉で生成する高温金属の温度を推定するデータ駆動型モデルの局所的解釈可能性に関する新しいアプローチ, VAE-LIMEを提案する。
論文 参考訳（メタデータ） (2020-07-15T07:07:07Z)
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。