Fugu-MT 論文翻訳(概要): Lasso Ridge based XGBoost and Deep

論文の概要: Lasso Ridge based XGBoost and Deep_LSTM Help Tennis Players Perform better

arxiv url: http://arxiv.org/abs/2405.07030v1
Date: Sat, 11 May 2024 15:02:08 GMT
ステータス: 処理完了
システム内更新日: 2024-05-14 18:47:31.266797
Title: Lasso Ridge based XGBoost and Deep_LSTM Help Tennis Players Perform better
Title（参考訳）: Lasso RidgeベースのXGBoostとDeep_LSTMヘルプテニスプレーヤーのパフォーマンス向上
Authors: Wankang Zhai, Yuhan Wang,
Abstract要約: プレイヤーの性能を評価し,運動量効果を定量化するために,スライディングウインドウを用いたスコアリングモデルを開発した。本稿では、LSTM_Deepモデルを用いて、ゲーム変動を定量化するための勝利率アルゴリズムの導出法を提案する。本研究は,運動量動態とゲームゆらぎに着目し,スポーツ分析や選手のトレーニング戦略に影響を及ぼすことを示す。
参考スコア（独自算出の注目度）: 1.6016817180824583
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Understanding the dynamics of momentum and game fluctuation in tennis matches is cru-cial for predicting match outcomes and enhancing player performance. In this study, we present a comprehensive analysis of these factors using a dataset from the 2023 Wimbledon final. Ini-tially, we develop a sliding-window-based scoring model to assess player performance, ac-counting for the influence of serving dominance through a serve decay factor. Additionally, we introduce a novel approach, Lasso-Ridge-based XGBoost, to quantify momentum effects, lev-eraging the predictive power of XGBoost while mitigating overfitting through regularization. Through experimentation, we achieve an accuracy of 94% in predicting match outcomes, iden-tifying key factors influencing winning rates. Subsequently, we propose a Derivative of the winning rate algorithm to quantify game fluctuation, employing an LSTM_Deep model to pre-dict fluctuation scores. Our model effectively captures temporal correlations in momentum fea-tures, yielding mean squared errors ranging from 0.036 to 0.064. Furthermore, we explore me-ta-learning using MAML to transfer our model to predict outcomes in ping-pong matches, though results indicate a comparative performance decline. Our findings provide valuable in-sights into momentum dynamics and game fluctuation, offering implications for sports analytics and player training strategies.
Abstract（参考訳）: テニスの試合における運動量とゲームのゆらぎのダイナミクスを理解することは、試合結果の予測と選手のパフォーマンス向上に不可欠である。本研究では,2023年ウィンブルドン決勝のデータセットを用いて,これらの要因を包括的に分析する。 Ini-tially, we developed a slide-window-based score model to evaluate player performance, ac-counting for the influence of serve dominance through a serve decay factor。さらに,ラッソリッジをベースとしたXGBoostという新しい手法を導入し,運動量効果を定量化し,正規化による過度な適合を緩和しつつ,XGBoostの予測力を向上する。実験により,一致結果の予測において94%の精度を達成し,勝利率に影響を及ぼす要因を同定した。次に、LSTM_Deepモデルを用いて、ゲーム変動を定量化するための勝利率アルゴリズムの導出法を提案する。本モデルでは,運動量の時間相関を効果的に捉え,平均2乗誤差は0.036から0.064の範囲である。さらに,MAMLを用いたメタラーニングを用いて,ピンポンマッチの結果を予測する。本研究は,運動量動態とゲームゆらぎに着目し,スポーツ分析や選手のトレーニング戦略に影響を及ぼすことを示す。

関連論文リスト

TCDformer-based Momentum Transfer Model for Long-term Sports Prediction [6.209644981642842]
本稿では,TCDformerを用いた長期スポーツ予測のためのモーメンタムトランスファーモデルTM2を提案する。 2023年のウィンブルドン男子トーナメントのデータセットでは、TM2は既存のスポーツ予測モデルを大幅に上回っている。
論文参考訳（メタデータ） (2024-09-16T11:10:54Z)
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)
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)
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)
Augmenting Unsupervised Reinforcement Learning with Self-Reference [63.68018737038331]
人間は、新しいタスクを学ぶ際に、過去の経験を明確に表現する能力を持っている。本稿では,歴史情報を活用するためのアドオンモジュールとして,自己参照(SR)アプローチを提案する。提案手法は,非教師付き強化学習ベンチマークにおけるIQM(Interquartile Mean)性能と最適ギャップ削減の両面から,最先端の成果を実現する。
論文参考訳（メタデータ） (2023-11-16T09:07:34Z)
Performative Time-Series Forecasting [71.18553214204978]
我々は,機械学習の観点から,パフォーマンス時系列予測(PeTS)を定式化する。本稿では,予測分布シフトに対する遅延応答の概念を活用する新しい手法であるFeature Performative-Shifting(FPS)を提案する。新型コロナウイルスの複数の時系列モデルと交通予報タスクを用いた総合的な実験を行った。
論文参考訳（メタデータ） (2023-10-09T18:34:29Z)
League of Legends: Real-Time Result Prediction [0.0]
本稿では,機械学習技術を用いて,電子ゲームリーグ・オブ・レジェンド(LoL)の試合結果の予測について検討する。様々なモデルが評価され、その結果が奨励された。この研究は、電子ゲームに応用された機械学習の分野に寄与し、League of Legendsにおけるリアルタイム予測に関する貴重な洞察を提供する。
論文参考訳（メタデータ） (2023-09-02T02:01:51Z)
Who You Play Affects How You Play: Predicting Sports Performance Using Graph Attention Networks With Temporal Convolution [29.478765505215538]
本研究では,スポーツにおける選手のパフォーマンスを予測するための新しい深層学習手法であるGATv2-GCNを提案する。グラフアテンションネットワークを使用して、各プレイヤーが互いに支払うアテンションをキャプチャし、より正確なモデリングを可能にします。実世界スポーツデータを用いたモデルの性能評価を行い,選手のパフォーマンス予測の有効性を実証した。
論文参考訳（メタデータ） (2023-03-29T14:48:51Z)
FL Games: A federated learning framework for distribution shifts [71.98708418753786]
フェデレートラーニングは、サーバのオーケストレーションの下で、クライアント間で分散されたデータの予測モデルをトレーニングすることを目的としている。本稿では,クライアント間で不変な因果的特徴を学習するためのゲーム理論のフレームワークであるFL Gamesを提案する。
論文参考訳（メタデータ） (2022-05-23T07:51:45Z)
Back2Future: Leveraging Backfill Dynamics for Improving Real-time Predictions in Future [73.03458424369657]
公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
論文参考訳（メタデータ） (2021-06-08T14:48:20Z)

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。