Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Dự đoán hiệu suất đội hình bóng rổ bằng phân tích mạng đa chiều tập trung vào cạnh
Tóm tắt
Phân tích thể thao là một trong những ứng dụng đang phát triển nhanh chóng của học máy và khai thác dữ liệu. Mục tiêu chính trong các ứng dụng phân tích thể thao là đưa ra quyết định thông minh để giành lợi thế cạnh tranh. Trong bài báo này, chúng tôi đề xuất một phương pháp để phân tích và dự đoán hiệu suất của đội hình trong bóng rổ, có thể hỗ trợ các nhà quản lý đội và huấn luyện viên trong việc đưa ra quyết định thông minh. Sự thay đổi đội hình liên tục trong các trận đấu bóng rổ khiến việc luôn có sẵn nước đi tốt nhất trong mọi khoảnh khắc của trận đấu trở nên cực kỳ cần thiết. Một hệ thống ra quyết định phức tạp là rất quan trọng cho các huấn luyện viên khi dẫn dắt đội bóng trong suốt mùa giải. Hệ thống này phải đưa ra các quyết định dựa trên những lợi ích và bất lợi của các đội bóng, kết quả quá khứ và các đội hình, cũng như hiệu suất của cả hai đội trong các tình huống tương tự. Để xây dựng hệ thống này, các tác giả đã xây dựng một mạng lưới có dấu, có hướng và có trọng số từ kết quả của tất cả các cuộc đối đầu và đội hình của các đội trong NBA từ năm 2007 đến 2019. Phương pháp được đề xuất sử dụng học máy và lý thuyết đồ thị để phát triển một chỉ số mới gọi là Chỉ số Bình phương Ngược và các mạng đa chiều tập trung vào cạnh để dự đoán hiệu suất của một đội hình trong một tình huống nhất định. Phương pháp tập trung vào cạnh cung cấp phân tích sâu về bất kỳ điều kiện nào giữa hai đội từ 16 góc độ khác nhau. Độ chính xác trung bình đạt được bởi ISM và mạng đa chiều tập trung vào cạnh lần lượt là 68% và 80%. Cuối cùng, các tập dữ liệu huấn luyện và kiểm tra được chọn từ các mùa khác nhau và kết quả là hợp lý so với các phương pháp cơ bản.
Từ khóa
#Phân tích thể thao #học máy #lý thuyết đồ thị #hiệu suất đội hình #mạng đa chiềuTài liệu tham khảo
Ahmadalinezhad M, Makrehchi M, Seward N (2019) Basketball lineup performance prediction using network analysis. In: Proceedings of the 2019 IEEE/ACM international conference on advances in social networks analysis and mining, pp 519–524
Atlas M, Zhang YQ (2004) Fuzzy neural agents for online NBA scouting. In: Proceedings of the 2004 IEEE/WIC/ACM international conference on web intelligence. IEEE Computer Society, pp 58–63
Baghal T (2012) Are the “four factors” indicators of one factor? An application of structural equation modeling methodology to NBA data in prediction of winning percentage. J Quant Anal Sports 8(1). https://doi.org/10.1515/1559-0410.1355
Beckler M, Wang H, Papamichael M (2013) NBA oracle. Zuletzt besucht am 17(20082009.9)
Berri DJ (2017) National basketball association. In: Fizel J (ed) Handbook of sports economics research. Routledge, New York
Cao C (2012) Sports data mining technology used in basketball outcome prediction. Technological University Dublin
Caudill SB (2003) Predicting discrete outcomes with the maximum score estimator: the case of the ncaa mens basketball tournament. Int J Forecast 19(2):313–317
Cheng G, Zhang Z, Kyebambe MN, Kimbugwe N (2016) Predicting the outcome of NBA playoffs based on the maximum entropy principle. Entropy 18(12):450
Grover A, Leskovec J (2016) node2vec: Scalable feature learning for networks. In: Proceedings of the 22nd ACM SIGKDD international conference on knowledge discovery and data mining. ACM, pp 855–864
Harville DA (2003) The selection or seeding of college basketball or football teams for postseason competition. J Am Stat Assoc 98(461):17–27
Harville DA, Smith MH (1994) The home-court advantage: how large is it, and does it vary from team to team? Am Stat 48(1):22–28
Jones MB (2007) Home advantage in the nba as a game-long process. J Quant Anal Sports 3(4). https://doi.org/10.2202/1559-0410.1081
Jones MB (2008) A note on team-specific home advantage in the NBA. J Quant Anal Sports 4(3). https://doi.org/10.2202/1559-0410.1128
Kubatko J, Oliver D, Pelton K, Rosenbaum DT (2007) A starting point for analyzing basketball statistics. J Quant Anal Sports 3(3). https://doi.org/10.2202/1559-0410.1070
Leskovec J, Huttenlocher D, Kleinberg J (2010) Predicting positive and negative links in online social networks. In: Proceedings of the 19th international conference on world wide web. ACM, pp 641–650
Loeffelholz B, Bednar E, Bauer KW (2009) Predicting NBA games using neural networks. J Quant Anal Sports 5(1). https://doi.org/10.2202/1559-0410.1156
Miljković D, Gajić L, Kovačević A, Konjović Z (2010) The use of data mining for basketball matches outcomes prediction. In: 2010 8th International symposium on intelligent systems and informatics (SISY). IEEE, pp 309–312
Oh Mh, Keshri S, Iyengar G (2015) Graphical model for basketball match simulation. In: Proceedings of the 2015 MIT sloan sports analytics conference, Boston, MA, USA, vol. 2728
Pelechrinis K (2017) Linnet: probabilistic lineup evaluation through network embedding. In: Joint European conference on machine learning and knowledge discovery in databases. Springer, pp 20–36
Stefani RT (1977) Football and basketball predictions using least squares. IEEE Trans Syst Man Cybern 7(2):117–21
Stefani RT (1980) Improved least squares football, basketball, and soccer predictions. IEEE Trans Syst Man Cybern 10(2):116–123
Stekler HO, Klein A et al (2012) Predicting the outcomes of ncaa basketball championship games. J Quant Anal Sports 8(1):1–10
Teramoto M, Cross CL (2010) Relative importance of performance factors in winning NBA games in regular season versus playoffs. J Quant Anal Sports 6(3). https://doi.org/10.2202/1559-0410.1260
Wasserman S, Pattison P (1996) Logit models and logistic regressions for social networks: I. an introduction to markov graphs andp. Psychometrika 61(3):401–425