Bayes-xG: 使用贝叶斯分层方法对期望进球(xG)进行球员和位置校正
该研究旨在解决使用 xG 统计评估足球射门能力时的局限性和细微差别问题。研究发现,持续高精准度的累计 xG 需要大量射门和出色的射门技巧,包括所有射门类型会模糊优秀前锋的射门能力,而实际与预期进球之间存在持续偏差,使得出色射手的进球数与预期更接近。因此,我们需要更加细致的定量方法来研究球员的射门能力,通过使用 AI 公平技术学习一个为多个子群体校准的 xG 模型,我们展示了具体案例,即标准的有偏 xG 模型低估了梅西的 GAX 17%,而梅西的 GAX 比典型的高射门量的顶级前锋高出 27%,表明梅西是一个比人们普遍认识的更为出色的射手。
Jan, 2024
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
通过 FIFA 数据分析,本文针对足球运动员转会费用的主要影响因素,提出了基于 LightGBM 模型的改进方法,采用树形 Parzen 算法进行超参优化,并通过 SHapley Additive exPlanations 算法进行特征筛选。与基线回归模型和梯度提升模型相比,优化后的 LightGBM 模型以 RMSE 为标准的表现约为回归基线模型、GBDT 和 LightGBM 模型的 3.8 倍、1.4 倍和 1.8 倍,具有很好的准确性。该模型提供了运动俱乐部在未来招募球员时所需考虑的属性解释。
Jun, 2022
使用机器学习和博弈论方法,提出了一种分析射门情况的新框架,并引入了期望收益和 xSOT 指标来评估选手的行动表现,从而实现了不同射门的区分和比较。通过与基准模型和消融模型的比较,验证了该框架的可行性,并观察到 xSOT 指标与现有指标之间的高度相关性。最后,通过在 2022 年世界杯和 2020 年欧洲杯中的射门情况进行研究,阐明了最优策略的应用。
Jul, 2023
该研究介绍了期望目标模型的全局解释(介于局部和全局之间),通过提出使用 SHAP 值和部分依赖配置文件的聚合版本,实现在团队和球员水平上进行性能分析,以从期望目标模型中提取球员或团队的知识而不仅仅是单个射门。此外,我们进行了真实数据应用来说明聚合的 SHAP 值和聚合性能配置文件的有用性。该论文最终对这些解释在足球分析中的性能分析潜力进行了讨论。
Aug, 2023
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
通过利用神经网络,本研究提出了一种模型,结合人体动作识别 (HAR) 嵌入与上下文信息,通过观察运动员的踢球技术准确预测足球射门后的运动方向,取得了很高的准确率,为了解足球罚球动力学提供了有意义的启示。
Dec, 2023
本文介绍了一种名为 xA 的新型度量模型,用于估计足球中犯规导致黄牌的可能性。通过三个实验,采用集成方法,使用额外的特征和扩展数据集,模型展示了改进的性能。分析 2022 年 FIFA 世界杯的数据验证了该模型在提供团队和球员犯规策略方面的见解方面的有效性,与实际的防守表现相一致。xA 模型填补了对犯规效率检验的空白,强调了通常被忽视的防守策略。通过结合综合数据和空间特征来进一步提升。
Jan, 2024
本文提出一种基于贝叶斯统计框架的足球比赛中胜率预测模型,通过对比现有模型,构建了一个可信的、根据比赛时间变化的贝叶斯统计模型,通过对五大顶级联赛八个赛季的数据进行实证评价,表明该模型能够提供良好的结果预测,并能够提升球迷体验和评估关键比赛情况下的表现。
Jun, 2019
使用半 - 马尔可夫过程和贝叶斯层次模型来评估国家曲棍球联盟 (National Hockey League, NHL) 中球员的整体能力,使得球员能力得以考虑到队友和对手质量、比赛情况等因素,并解决了现有方法的许多局限性。
Aug, 2012