論文の概要: Forecasting the future development in quality and value of professional football players for applications in team management

• arxiv url: http://arxiv.org/abs/2502.07528v1
• Date: Tue, 11 Feb 2025 13:09:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-12 14:06:01.595834
• Title: Forecasting the future development in quality and value of professional football players for applications in team management
• Title（参考訳）: チームマネジメントにおけるプロサッカー選手の質と価値の今後の発展を予見する
• Authors: Koen W. van Arem, Floris Goes-Smit, Jakob Söhl,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Transfers in professional football (soccer) are risky investments because of the large transfer fees and high risks involved. Although data-driven models can be used to improve transfer decisions, existing models focus on describing players' historical progress, leaving their future performance unknown. Moreover, recent developments have called for the use of explainable models combined with uncertainty quantification of predictions. This paper assesses explainable machine learning models based on predictive accuracy and uncertainty quantification methods for the prediction of the future development in quality and transfer value of professional football players. Using a historical data set of data-driven indicators describing player quality and the transfer value of a football player, the models are trained to forecast player quality and player value one year ahead. These two prediction problems demonstrate the efficacy of tree-based models, particularly random forest and XGBoost, in making accurate predictions. In general, the random forest model is found to be the most suitable model because it provides accurate predictions as well as an uncertainty quantification method that naturally arises from the bagging procedure of the random forest model. Additionally, our research shows that the development of player performance contains nonlinear patterns and interactions between variables, and that time series information can provide useful information for the modeling of player performance metrics. Our research provides models to help football clubs make more informed, data-driven transfer decisions by forecasting player quality and transfer value.
• Abstract（参考訳）: プロサッカー(サクセル)での移籍は、大きな送金手数料と高いリスクが伴うため、リスクの高い投資である。 データ駆動モデルは転送決定を改善するために使用できるが、既存のモデルはプレイヤーの歴史的進歩を説明することに重点を置いており、将来のパフォーマンスは分かっていない。 さらに、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,プロサッカー選手の品質と転送値の予測のための予測精度と不確実性定量化手法に基づく説明可能な機械学習モデルの評価を行う。 選手の品質と選手の移動値を記述するデータ駆動指標の過去のデータセットを用いて、モデルは選手の品質と選手の価値を1年先まで予測するように訓練される。 これらの2つの予測問題は、木に基づくモデル、特にランダム森林とXGBoostが正確な予測を行う上で有効であることを示す。 概して、ランダム森林モデルが最も適当なモデルは、ランダム林モデルのバッジ法から自然に生じる不確実性定量化法と同様に、正確な予測を提供するためである。 さらに,プレイヤーのパフォーマンスの発達には非線形パターンや変数間の相互作用が含まれており,時系列情報によってプレイヤーのパフォーマンス指標のモデル化に有用な情報が得られることを示す。 我々の研究は、フットボールクラブが選手の品質と転送値を予測することによって、より情報に富んだデータ駆動の転送決定を行うのに役立つモデルを提供する。

関連論文リスト

• F-FOMAML: GNN-Enhanced Meta-Learning for Peak Period Demand Forecasting with Proxy Data [65.6499834212641]
  本稿では,需要予測をメタラーニング問題として定式化し,F-FOMAMLアルゴリズムを開発した。 タスク固有のメタデータを通してドメインの類似性を考慮することにより、トレーニングタスクの数が増加するにつれて過剰なリスクが減少する一般化を改善した。 従来の最先端モデルと比較して,本手法では需要予測精度が著しく向上し,内部自動販売機データセットでは平均絶対誤差が26.24%,JD.comデータセットでは1.04%削減された。
  論文  参考訳（メタデータ） (2024-06-23T21:28:50Z)
• 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)
• Predictive Churn with the Set of Good Models [64.05949860750235]
  近似機械学習モデルの集合に対する競合予測の効果について検討する。 ラーショモン集合内のモデル間の係り受けに関する理論的結果を示す。 当社のアプローチは、コンシューマ向けアプリケーションにおいて、より予測し、削減し、混乱を避けるためにどのように使用できるかを示します。
  論文  参考訳（メタデータ） (2024-02-12T16:15:25Z)
• 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)
• Explainable artificial intelligence model for identifying Market Value in Professional Soccer Players [2.2590064835234913]
  ソフィファの約12,000人のプレイヤーのデータを用いて、ボルタのアルゴリズムは特徴選択を合理化した。 グラディエントブースティング決定木(GBDT)モデルは予測精度に優れ、R-squaredは0.901、Root Mean Squared Error(RMSE)は3,221,632.175である。
  論文  参考訳（メタデータ） (2023-11-08T11:01:32Z)
• 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)
• Forecasting Future World Events with Neural Networks [68.43460909545063]
  Autocastは数千の予測質問と付随するニュースコーパスを含むデータセットである。 ニュースコーパスは日付によって整理され、人間が過去の予測を行った条件を正確にシミュレートすることができる。 予測タスクで言語モデルをテストし、パフォーマンスが人間専門家のベースラインよりはるかに低いことを確認します。
  論文  参考訳（メタデータ） (2022-06-30T17:59:14Z)
• 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)
• Explainable expected goal models for performance analysis in football analytics [5.802346990263708]
  本報告では,2014-15年と2020-21年の7シーズンから315,430発のショットをトレーニングした,欧州サッカーリーグのトップ5のゴールモデルを提案する。 我々の知る限りでは、この論文は、プロファイルを集約した説明可能な人工知能ツールの実用的な応用を実証した最初の論文である。
  論文  参考訳（メタデータ） (2022-06-14T23:56:03Z)
• 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)
• Discovering indicators of dark horse of soccer games by deep learning from sequential trading data [0.6526824510982799]
  ディープラーニングモデルは、実際の予測市場からの実際のシーケンシャルなトレーディングデータに基づいて設計、訓練される。 新しい損失関数が提案され、その選択を高い投資リターンと一致させてモデルを訓練する。 4669試合のトップリーグの試合の完全な調査の結果、我々のモデルは高いリターンの予測精度をオフにした。
  論文  参考訳（メタデータ） (2020-08-03T07:24:29Z)

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。