May, 2024
用于英超球员表现预测的深度学习与迁移学习架构
Deep Learning and Transfer Learning Architectures for English Premier
League Player Performance Forecasting
TL;DR本文介绍了一种利用卷积神经网络（CNN）预测英超球员表现的创新模型。我们评估了Ridge回归、LightGBM和CNN在根据历史FPL数据预测未来球员FPL得分的任务上的性能。我们的基准模型Ridge回归和LightGBM表现出色，并强调了预测英超球员表现中最近的FPL得分、影响力、创造力、威胁和上场时间的重要性。我们的最佳CNN架构在输入特征更少的情况下实现了更好的性能，甚至超过了文献中最佳的英超球员表现预测模型。最佳的CNN架构还与球员排名有很强的斯皮尔曼相关性，表明其对支持FPL人工智能代理的开发和为FPL经理提供分析的重要意义。此外，我们还对从《卫报》收集的足球新闻数据进行了迁移学习实验，用于相同的任务，即预测未来球员得分，但在自然语言新闻文本中并没有找到强预测信号，与CNN和基准模型相比的性能表现较差。总的来说，我们基于CNN的方法在预测英超球员表现方面取得了显著进展，并为迁移学习到其他英超预测任务（如体育博彩的胜负赔率和领先的FPL人工智能代理的开发）奠定了基础。