足球队向量
本文提出了一种新颖的足球连续球队选择模型,通过对现实世界足球数据中学习到的球员特定信息建模,以模拟球员受伤和不可用性的随机过程。通过对球员受伤概率进行推理,利用蒙特卡洛树搜索 (Monte-Carlo Tree Search) 来选择在整个足球赛季中优化长期团队表现的比赛队伍。我们将我们的方法与 2018/19 英超联赛季的基准解决方案进行验证。我们的模型在减少一线队伤病方面达到了类似的赛季预期积分,并将在受伤球员上浪费的金钱减少了约 11%,从而证明了在现实世界的足球队中降低成本和改善球员福利的潜力。
Feb, 2024
本文介绍了一种基于 Dynamic Time Warping 的方法,通过分析事件的重复序列来揭示球队的战术,并基于整个赛季的分析得出了保持球权的传球策略或反击,以及以团队为重点或以个人球员的能力为重点的传球风格等见解。
Aug, 2015
机器学习在足球比赛结果预测中已成为一种常见方法,本章讨论了该领域中可用的数据集、模型类型和特征以及评估模型性能的方法。研究发现,目前基于渐变提升树模型(如 CatBoost)和特定于足球比赛的评分(如 pi - 评分)的机器学习模型在只包含进球作为比赛特征的数据集上表现最佳,但需要更详细比较深度学习模型和随机森林在不同类型特征数据集上的性能。此外,可以进一步研究新的评分系统,其中包括球员和团队级别信息,并融合来自时空追踪和事件数据的附加信息。最后,需要提高比赛结果预测模型的可解释性,以使其对团队管理更有用。
Mar, 2024
本文提出了一种创新的方法,利用可解释机器学习模型预测职业足球运动员的市场价值。使用从 FIFA 网站整理的数据集,我们采用集成机器学习方法结合 Shapley Additive exPlanations (SHAP) 来提供模型预测的详细解释。GBDT 模型在评估模型中表现出最高的平均 R-Squared(0.8780)和最低的平均均方根误差(3,221,632.175),表明其在性能上卓越。我们的分析发现,球控、短传、射门、拦截、带球和抢断等特定技能在技能维度上很重要,而冲刺速度和加速度在健身维度上至关重要,反应在认知维度上占主导地位。我们的结果为市场价值估计提供了更准确、客观和一致的框架,并为球员转会的管理决策提供了有用的见解。
Nov, 2023
我们提出一种统计增强学习(SEL)模型来预测手球比赛。我们的机器学习模型加上 SEL 特征,在准确率上超过了现有模型。我们展示了如何构建数据集,在过去的女子俱乐部比赛中训练机器学习模型。我们比较了不同的模型,并评估它们的性能能力。最后,解释性方法使我们的工具不仅是一个预测解决方案,而是一个高度洞察力的分析工具。这对手球队的教练提供了有价值的统计和预测见解,以准备未来的比赛。
Jul, 2023
本文介绍了一种将足球比赛的单眼视频转化为可交互地呈现球员和球场的三维重建系统,通过使用卷积神经网络估算每个球员的深度图,我们将其与现有的身体姿态和深度估计技术进行比较,并展示了在合成和真实的 YouTube 足球片段的实验结果。
Jun, 2018
介绍了可解释的广义加性模型,旨在帮助科学家和从业者之间的理解和沟通;与这个主题相关的是足球玩家表现,对于这个主题,目前主要的挑战是直接量化足球玩家的表现;而阐释生产出的指标的可理解性通常比模型的准确性更重要。
May, 2021
本文介绍 PlayeRank,一个基于数据驱动的框架,可提供多维度、角色感知的足球运动员表现评估,通过与其他算法和专业球探的评估比较,表明 PlayeRank 在表现评估方面显著优于竞争对手,同时探讨了该框架的一些应用,展示了其灵活性和效率,值得用于设计一个可扩展的足球分析平台。
Feb, 2018