Dapatkah algoritma pembelajaran mesin memprediksi skor atau permainan olahraga?

Saya memiliki berbagai dataset NFL yang saya pikir mungkin bisa menjadi proyek sampingan yang baik, tetapi saya belum melakukan apa pun dengan mereka.

Datang ke situs ini membuat saya berpikir tentang algoritma pembelajaran mesin dan saya bertanya-tanya seberapa bagus mereka dalam memprediksi hasil pertandingan sepak bola atau bahkan permainan selanjutnya.

Tampak bagi saya bahwa akan ada beberapa tren yang dapat diidentifikasi - pada ke-3 ke bawah dan 1, sebuah tim dengan kemunduran yang kuat secara teoritis harus memiliki kecenderungan untuk menjalankan bola dalam situasi itu.

Skor mungkin lebih sulit untuk diprediksi, tetapi tim yang menang mungkin.

Pertanyaan saya adalah apakah ini adalah pertanyaan yang bagus untuk diajukan pada algoritma pembelajaran mesin. Bisa jadi seribu orang telah mencobanya sebelumnya, tetapi sifat olahraga membuatnya menjadi topik yang tidak dapat diandalkan.

Ada banyak pertanyaan bagus tentang Football (dan olahraga, secara umum) yang akan luar biasa untuk dilempar ke suatu algoritma dan melihat apa yang keluar. Bagian yang sulit adalah mengetahui apa yang harus dibuang ke algoritma.

Sebuah tim dengan RB yang baik hanya bisa meneruskan ke-3 dan pendek hanya karena lawan mungkin akan berharap untuk berlari, misalnya. Jadi, untuk benar-benar menghasilkan beberapa hasil yang layak, saya akan memecahkan masalah dalam potongan-potongan kecil dan menganalisa secara statistik sambil membuangnya ke mesin.

Ada beberapa situs web (bagus) yang mencoba melakukan hal yang sama, Anda harus memeriksa dan menggunakan apa pun yang mereka temukan untuk membantu Anda:

• Football Outsiders
• Analisis Sepak Bola Tingkat Lanjut

Dan jika Anda benar-benar ingin menjelajahi Analisis Data Olahraga, Anda harus memeriksa video Sloan Sports Conference . Ada banyak yang menyebar di Youtube.

Iya nih. Kenapa tidak?! Dengan begitu banyak data yang direkam di setiap olahraga di setiap pertandingan, penggunaan data yang cerdas dapat membawa kita untuk mendapatkan wawasan penting mengenai kinerja pemain.

Beberapa contoh:

• Baseball : Dalam film Moneyball (yang merupakan adaptasi dari buku Moneyball), Brad Pitt memerankan karakter yang menganalisis statistik pemain untuk menghasilkan tim yang berkinerja sangat baik! Itu adalah penggambaran kisah nyata tim baseball Oakland Athletics. Untuk info lebih lanjut, http://www.theatlantic.com/entertainment/archive/2013/09/forget-2002-ini-years-oakland-as-are-the-real-em-moneyball-em-team/279927/
• Cricket : SAP Labs telah datang dengan alat analisis lelang yang telah memberikan wawasan tentang dampak pemain untuk membeli dalam lelang Liga Premier India 2014 untuk tim Kolkata Knight Riders, yang akhirnya berhasil memenangkan Kejuaraan IPL 2014 . Untuk info lebih lanjut, http://scn.sap.com/community/hana-in-memory/blog/2014/06/10/sap-hana-academy-cricket-demo--how-sap-hana-powered-the -kolkata-knight-riders-to-ipl-championship

Jadi, ya, analisis statistik dari catatan pemain dapat memberi kita wawasan tentang pemain mana yang lebih mungkin untuk melakukan tetapi tidak yang pemain akan lakukan . Jadi, pembelajaran mesin, sepupu dekat dari analisis statistik akan terbukti menjadi pengubah permainan.

Pasti mereka bisa. Saya dapat menargetkan Anda ke kertas bagus . Setelah saya menggunakannya untuk implementasi algoritma prediksi hasil liga, terutama bertujuan untuk memiliki nilai terhadap taruhan.

Dari abstrak kertas:

model umum Bayesian yang dinamis untuk memperkirakan keterampilan yang tergantung waktu dari semua tim di liga, dan untuk memprediksi pertandingan sepak bola akhir pekan depan.

Kata kunci:

Model Dinamis, Model Linear Umum, Model Grafis, Metode Markov Chain Monte Carlo, Prediksi Pertandingan Sepak Bola

Kutipan:

Rue, Havard, dan Oyvind Salvesen. "Prediksi dan analisis retrospektif pertandingan sepak bola di liga." Jurnal Royal Statistics Society: Seri D (The Statistician) 49.3 (2000): 399-418.

Pembelajaran mesin dan teknik statistik dapat meningkatkan perkiraan, tetapi tidak ada yang dapat memprediksi hasil nyata.

Ada kompetisi yang luar biasa beberapa bulan yang lalu tentang memprediksi Turnamen NCAA 2014 . Anda dapat membaca Forum Persaingan untuk mendapatkan ide yang lebih baik tentang apa yang dilakukan orang dan hasil apa yang mereka capai.

Telah ditunjukkan sebelumnya bahwa teknik pembelajaran mesin dapat diterapkan untuk memprediksi hasil olahraga. Pencarian google sederhana harus memberi Anda banyak hasil.

Namun, juga telah ditunjukkan (untuk NFL btw) bahwa model prediksi yang sangat kompleks, model prediksi sederhana, orang yang bertanya, atau pengetahuan kerumunan dengan memanfaatkan info taruhan, mereka semua melakukan kurang lebih sama. Sumber: " Semuanya jelas setelah Anda tahu jawabannya - Bagaimana akal sehat Gagal ", Bab 7, oleh Duncan Watts.

Michael Maouboussin, dalam bukunya, "The Success Equation," memandang membedakan keberuntungan dari keterampilan dalam berbagai upaya, termasuk olahraga. Dia benar-benar peringkat olahraga dengan jumlah keberuntungan yang berkontribusi pada kinerja dalam olahraga yang berbeda (hal. 23) dan sekitar 2/3 kinerja dalam sepak bola disebabkan oleh keterampilan. Sebaliknya, saya menggunakan teknik MM untuk menganalisis kinerja dalam balap Formula 1, dan menemukan bahwa 60% disebabkan oleh keterampilan (kurang dari yang saya harapkan.)

Yang mengatakan, sepertinya analisis semacam ini akan menyiratkan bahwa set fitur yang cukup rinci dan dibuat akan memungkinkan algoritma ML untuk memprediksi kinerja tim NFL, bahkan mungkin ke tingkat permainan, dengan peringatan bahwa varians yang signifikan akan tetap ada karena pengaruh keberuntungan dalam game.

Saya telah membaca beberapa tentang itu dan saya memiliki blog berikut dalam pikiran:

http://fellgernon.tumblr.com/post/46117939292/predicting-who-will-win-a-nfl-match-at-half-time#.UtehM7TWtQg

Blog ini membahas prediksi pertandingan NFL setelah setengah waktu berakhir. Prediksi ini 80% akurat dengan model GLM sederhana.

Saya tidak tahu apakah itu cocok untuk sepak bola.

Saya telah melakukan beberapa penelitian di bidang ini. Saya telah menemukan urutan pertama rantai Markov bekerja dengan baik untuk memprediksi dalam dinamika permainan skor di berbagai olahraga.

Anda dapat membaca lebih detail di sini: http://www.epjdatascience.com/content/3/1/4

Mereka tidak dapat memprediksi, tetapi mereka dapat memberi tahu Anda hasil yang paling mungkin. Ada sebuah studi tentang pendekatan semacam ini dari Etienne - Memprediksi Siapa yang Akan Menangkan Piala Dunia dengan Bahasa Wolfram . Ini adalah studi yang sangat rinci, sehingga Anda dapat memeriksa semua metodologi yang digunakan untuk mendapatkan prediksi.

Cukup menarik, 11 dari 15 pertandingan benar!

Seperti yang bisa diduga, Brasil adalah favorit, dengan probabilitas menang 42,5%. Hasil yang mengejutkan ini disebabkan oleh fakta bahwa Brasil memiliki peringkat Elo tertinggi dan permainan di rumah.

(Ayo pergi Brasil!)

Banyak orang telah menekankan tentang apa saja hal-hal yang dapat diprediksi dalam jawaban mereka. Sekarang, dengan daya tarik untuk pembelajaran yang mendalam, Anda dapat, misalnya, menggunakan RNN's (katakanlah LSTM) untuk memprediksi hasil untuk masalah olahraga yang didasarkan pada waktu. Ini adalah seni dan mengalahkan model tradisional turun tangan.