Können Algorithmen für maschinelles Lernen Sportergebnisse oder -spiele vorhersagen?

Ich habe eine Vielzahl von NFL-Datensätzen, von denen ich denke, dass sie ein gutes Nebenprojekt sind, aber ich habe noch nichts damit gemacht.

Als ich auf diese Seite kam, dachte ich an Algorithmen für maschinelles Lernen und fragte mich, wie gut sie das Ergebnis von Fußballspielen oder sogar das nächste Spiel vorhersagen können.

Es scheint mir, dass es einige Trends geben würde, die identifiziert werden könnten - auf Platz 3 und 1 sollte eine Mannschaft mit einem starken Rücklauf theoretisch die Tendenz haben, in dieser Situation den Ball zu rennen.

Eine Wertung ist möglicherweise schwieriger vorherzusagen, das Gewinnerteam jedoch möglicherweise.

Meine Frage ist, ob dies gute Fragen für einen Algorithmus für maschinelles Lernen sind. Es könnte sein, dass tausend Menschen es schon einmal versucht haben, aber die Natur des Sports macht es zu einem unzuverlässigen Thema.

Es gibt viele gute Fragen zum Thema Fußball (und zum Thema Sport im Allgemeinen), die sich hervorragend eignen, um einen Algorithmus zu verwenden und herauszufinden, was dabei herauskommt. Der schwierige Teil ist zu wissen, was an den Algorithmus zu werfen ist.

Ein Team mit einem guten RB könnte nur den 3. und den Short weitergeben, nur weil die Gegner zum Beispiel wahrscheinlich einen Lauf erwarten würden. Um also tatsächlich einige wertvolle Ergebnisse zu erzielen, würde ich das Problem in kleinere Teile zerlegen und sie statistisch analysieren, während ich sie zu den Maschinen schmeiße.

Es gibt ein paar (gute) Websites, die versuchen, dasselbe zu tun. Sie sollten sie überprüfen und alles verwenden, was sie gefunden haben, um Ihnen zu helfen:

• Fußball-Außenseiter
• Erweiterte Fußballanalyse

Und wenn Sie die Sportdatenanalyse wirklich erkunden möchten, sollten Sie auf jeden Fall die Sloan Sports Conference- Videos anschauen. Viele davon sind auf Youtube verbreitet.

Ja. Warum nicht?! Da in jeder Sportart in jedem Spiel so viele Daten aufgezeichnet werden, können wir durch den intelligenten Umgang mit Daten wichtige Erkenntnisse über die Leistung der Spieler gewinnen.

Einige Beispiele:

• Baseball : In dem Film Moneyball (eine Adaption des Moneyball-Buches) spielt Brad Pitt einen Charakter, der die Spielerstatistiken analysiert, um ein Team zu entwickeln, das überragende Leistungen erbringt! Es war eine Darstellung der realen Geschichte der Baseballmannschaft von Oakland Athletics. Weitere Informationen finden Sie unter http://www.theatlantic.com/entertainment/archive/2013/09/forget-2002-this-years-oakland-as-are-the-real-em-moneyball-em-team/279927/
• Cricket : SAP Labs hat ein Auktionsanalysetool entwickelt, das Einblicke in die Auswirkungen von Spielern auf die Auktion der indischen Premier League 2014 für das Kolkata Knight Riders-Team bietet, das schließlich die IPL- Meisterschaft 2014 gewann . Weitere Informationen finden Sie unter http://scn.sap.com/community/hana-in-memory/blog/2014/06/10/sap-hana-academy-cricket-demo--how-sap-hana-powered-the -kolkata-ritter-reiter-zu-ipl-meisterschaft

Ja, eine statistische Analyse der Spielerrekorde kann uns Aufschluss darüber geben, welche Spieler mit größerer Wahrscheinlichkeit eine Leistung erbringen, welche jedoch nicht . Das maschinelle Lernen, ein enger Verwandter der statistischen Analyse, wird sich also als ein Game Changer erweisen.

Auf jeden Fall können sie. Ich kann dich auf ein nettes Papier ausrichten . Einmal habe ich es für die Implementierung eines Algorithmus zur Vorhersage von Fußballliga-Ergebnissen verwendet, der in erster Linie darauf abzielte, einen gewissen Nutzen gegenüber den Buchmachern zu erzielen.

Aus der Zusammenfassung des Papiers:

ein Bayesianisches dynamisches verallgemeinertes Modell, um die zeitabhängigen Fähigkeiten aller Mannschaften in einer Liga abzuschätzen und die Fußballspiele am kommenden Wochenende vorherzusagen.

Schlüsselwörter:

Dynamische Modelle, verallgemeinerte lineare Modelle, grafische Modelle, Markov-Ketten-Monte-Carlo-Methoden, Vorhersage von Fußballspielen

Zitat:

Rue, Havard und Oyvind Salvesen. "Vorhersage und retrospektive Analyse von Fußballspielen in einer Liga." Zeitschrift der Royal Statistical Society: Reihe D (The Statistician) 49.3 (2000): 399-418.

Maschinelles Lernen und statistische Techniken können die Vorhersage verbessern, aber niemand kann das tatsächliche Ergebnis vorhersagen.

Vor einigen Monaten gab es einen Kaggle-Wettbewerb zur Vorhersage des NCAA-Turniers 2014 . Sie können das Wettbewerbsforum lesen, um eine bessere Vorstellung davon zu bekommen, was die Leute getan haben und welche Ergebnisse sie erzielt haben.

Es wurde bereits gezeigt, dass maschinelles Lernen zur Vorhersage von Sportergebnissen eingesetzt werden kann. Einfache Google-Suche sollte Ihnen eine Reihe von Ergebnissen bringen.

Es hat sich jedoch auch gezeigt (übrigens für die NFL), dass sehr komplexe Vorhersagemodelle, einfache Vorhersagemodelle, Befragungen von Personen oder Crowd-Wissen unter Verwendung von Wettinformationen alle mehr oder weniger die gleiche Leistung erbringen. Quelle: " Alles ist klar, wenn Sie die Antwort wissen - Wie der gesunde Menschenverstand scheitert ", Kapitel 7, von Duncan Watts.

Michael Maouboussin befasst sich in seinem Buch "The Success Equation" mit der Unterscheidung von Glück und Können in verschiedenen Bereichen, einschließlich des Sports. Tatsächlich bewertet er den Sport nach der Menge an Glück, die zur Leistung in den verschiedenen Sportarten beiträgt (S. 23), und ungefähr 2/3 der Leistung im Fußball ist auf Geschicklichkeit zurückzuführen. Im Gegensatz dazu habe ich die Technik von MM verwendet, um die Leistung in der Formel 1 zu analysieren. Dabei stellte ich fest, dass 60% auf das Können zurückzuführen sind (weniger als erwartet).

Allerdings scheint diese Art der Analyse zu implizieren, dass ein ausreichend detaillierter und ausgearbeiteter Funktionsumfang es ML-Algorithmen ermöglichen würde, die Leistung von NFL-Teams vorherzusagen, möglicherweise sogar bis zum Spielniveau, mit dem Vorbehalt, dass aufgrund des Einflusses immer noch signifikante Abweichungen bestehen Glück im Spiel.

Ich habe einiges darüber gelesen und ich hatte den folgenden Blog im Sinn:

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

Dieser Blog befasst sich mit der Vorhersage eines NFL-Spiels, nachdem die Halbzeit bereits vorbei ist. Die Vorhersage ist mit einem einfachen GLM-Modell zu 80% genau.

Ich weiß nicht, ob das für Fußball geeignet ist.

Ich habe in diesem Bereich einige Nachforschungen angestellt. Ich habe festgestellt, dass Markov-Ketten erster Ordnung gut geeignet sind, um die Dynamik von Spielergebnissen für eine Vielzahl von Sportarten vorherzusagen.

Weitere Informationen finden Sie hier: http://www.epjdatascience.com/content/3/1/4

Sie können nicht vorhersagen, aber sie können Ihnen das wahrscheinlichste Ergebnis mitteilen. Etienne hat eine Studie zu diesem Ansatz veröffentlicht - Voraussagen, wer mit Wolfram Language die Weltmeisterschaft gewinnen wird . Dies ist eine sehr detaillierte Studie, sodass Sie alle Methoden überprüfen können, die zum Abrufen der Vorhersagen verwendet wurden.

Interessanterweise stimmten 11 von 15 Spielen!

Wie zu erwarten ist, ist Brasilien der Favorit mit einer Gewinnwahrscheinlichkeit von 42,5%. Dieses bemerkenswerte Ergebnis ist darauf zurückzuführen, dass Brasilien sowohl die höchste Elo-Wertung als auch ein Heimspiel hat.

(Lass uns nach Brasilien gehen!)

Viele Leute haben darüber nachgedacht, was in ihren Antworten vorhergesagt werden kann. Mit der Faszination für tiefes Lernen könnten Sie beispielsweise RNNs (sagen wir LSTM) verwenden, um Ergebnisse für Sportprobleme vorherzusagen, die auf der Zeit basieren. Diese sind auf dem neuesten Stand der Technik und schlagen traditionelle Modelle zweifellos.