Могут ли алгоритмы машинного обучения предсказать спортивные результаты или результаты?

У меня есть множество наборов данных НФЛ, которые, я думаю, могли бы стать хорошим побочным проектом, но я пока ничего с ними не сделал.

Приход на этот сайт заставил меня задуматься об алгоритмах машинного обучения, и мне стало интересно, насколько они хороши в прогнозировании результатов футбольных игр или даже следующей игры.

Мне кажется, что можно было бы выявить некоторые тенденции - на 3-м и 1-м уровне команда с сильным откатом теоретически должна иметь тенденцию отбивать мяч в этой ситуации.

Подсчет очков может быть сложнее предсказать, но команда-победитель может быть.

Мой вопрос заключается в том, являются ли это хорошими вопросами для алгоритма машинного обучения. Может быть, тысячи людей уже пробовали это раньше, но природа спорта делает эту тему ненадежной.

Есть много хороших вопросов о футболе (и о спорте в целом), которые было бы здорово добавить в алгоритм и посмотреть, что получится. Самое сложное - это знать, что бросить в алгоритм.

Команда с хорошим RB может просто пропустить 3-й и короткий шорт только потому, что соперники, вероятно, ожидают бега, например. Таким образом, для того, чтобы действительно получить некоторые достойные результаты, я разбил бы проблему на более мелкие части и проанализировал бы их статистически, бросая их в машины.

Есть несколько (хороших) сайтов, которые пытаются сделать то же самое, вы должны проверить их и использовать все, что они нашли, чтобы помочь вам:

• Футбол аутсайдеры
• Расширенная футбольная аналитика

И если вы действительно хотите изучить анализ спортивных данных, вам обязательно нужно посмотреть видео со Sloan Sports Conference . Многие из них распространяются на Youtube.

Да. Почему бы нет?! Учитывая, что в каждом виде спорта в каждой игре записывается так много данных, разумное использование данных может помочь нам получить важную информацию о производительности игрока.

Некоторые примеры:

• Бейсбол : в фильме «Мяч» (это адаптация книги «Мяч»), Брэд Питт играет персонажа, который анализирует статистику игрока, чтобы создать команду, которая работает очень хорошо! Это было изображение реальной истории бейсбольной команды Окленд Атлетикс. Для получения дополнительной информации, http://www.theatlantic.com/entertainment/archive/2013/09/forget-2002-this-years-oakland-as-are-the-real-em-moneyball-em-team/279927/
• Крикет : SAP Labs разработала аналитический инструмент для аукционов, который дал представление о влиянии игроков на аукцион в Индийской Премьер-лиге 2014 года для команды Kolkata Knight Riders, которая в итоге выиграла Чемпионат IPL 2014 года . Для получения дополнительной информации, http://scn.sap.com/community/hana-in-memory/blog/2014/06/10/sap-hana-academy-cricket-demo--how-sap-hana-powered-the -kolkata-рыцарь-райдеров к IPL-чемпионат

Итак, да, статистический анализ записей игроков может дать нам представление о том, какие игроки с большей вероятностью выступят, а какие нет . Таким образом, машинное обучение, близкий кузен статистического анализа, изменит правила игры.

Определенно они могут. Я могу нацелить вас на хорошую газету . Однажды я использовал его для реализации алгоритма прогнозирования результатов футбольной лиги, в первую очередь, чтобы иметь некоторую ценность против букмекеров.

Из реферата статьи:

Байесовская динамическая обобщенная модель для оценки зависящих от времени навыков всех команд в лиге и прогнозирования футбольных матчей на следующих выходных.

Ключевые слова:

Динамические Модели, Обобщенные Линейные Модели, Графические Модели, Методы Маркова Цепи Монте-Карло, Прогнозирование Футбольных Матчей

Образец цитирования:

Рю, Хавард и Ойвинд Сальвесен. «Прогноз и ретроспективный анализ футбольных матчей в лиге». Журнал Королевского статистического общества: Серия D (The Statistician) 49,3 (2000): 399-418.

Машинное обучение и статистические методы могут улучшить прогноз, но никто не может предсказать реальный результат.

Несколько месяцев назад было соревнование по предсказанию турнира NCAA 2014 . Вы можете прочитать Конкурсный форум, чтобы получить лучшее представление о том, что люди делали и каких результатов они достигли.

Ранее было показано, что методы машинного обучения могут применяться для прогнозирования спортивных результатов. Простой поиск в Google должен дать вам кучу результатов.

Тем не менее, было также показано (для НФЛ, кстати), что очень сложные прогностические модели, простые прогностические модели, опросы людей или знание толпы с использованием информации о ставках, все они выполняют более или менее одинаково. Источник: « Все становится очевидным, когда вы знаете ответ - Как здравый смысл терпит неудачу », глава 7, Дункан Уоттс.

Майкл Маубуссен в своей книге «Уравнение успеха» рассматривает различие между удачей и умением в различных начинаниях, в том числе в спорте. На самом деле он оценивает спорт по количеству удачи, которая способствует успехам в различных видах спорта (с. 23), и примерно 2/3 результатов в футболе связано с навыками. В отличие от этого, я использовал технику ММ для анализа производительности в гонках Формулы 1 и обнаружил, что 60% связано с навыками (меньше, чем я ожидал).

Тем не менее, кажется, что такого рода анализ будет означать, что достаточно подробный и специально разработанный набор функций позволит алгоритмам ML прогнозировать производительность команд НФЛ, возможно, даже до уровня игры, с оговоркой, что значительная разница все еще будет существовать из-за влияния удачи в игре.

Я прочитал кое-что об этом, и я имел в виду следующий блог:

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

Этот блог имеет дело с предсказанием матча НФЛ после того, как перерыв закончился. Прогноз на 80% точен с простой моделью GLM.

Я не знаю, подходит ли это для футбола.

Я провел некоторые исследования в этой области. Я обнаружил, что цепочки Маркова первого порядка хорошо подходят для прогнозирования динамики игрового выигрыша в различных видах спорта.

Вы можете прочитать более подробно здесь: http://www.epjdatascience.com/content/3/1/4

Они не могут предсказать, но они могут сказать вам наиболее вероятный результат. Там есть исследование об этом подходе от Этьена - Предсказание, кто выиграет Кубок мира с Wolfram Language . Это очень подробное исследование, поэтому вы можете проверить всю методологию, использованную для получения прогнозов.

Интересно, 11 из 15 матчей были верными!

Как и следовало ожидать, Бразилия является фаворитом, с вероятностью выиграть 42,5%. Этот поразительный результат объясняется тем, что Бразилия имеет самый высокий рейтинг Эло и играет дома.

(Поехали в Бразилию!)

Многие люди подчеркивали, что можно предсказать в своих ответах. Теперь, увлекаясь глубоким обучением, вы можете, например, использовать RNN (скажем, LSTM) для прогнозирования результатов спортивных проблем, основанных на времени. Это современные и превосходящие традиционные модели руки вниз.