¿Pueden los algoritmos de aprendizaje automático predecir resultados deportivos o juegos?

Tengo una variedad de conjuntos de datos de la NFL que creo que podrían ser un buen proyecto paralelo, pero todavía no he hecho nada con ellos.

Llegar a este sitio me hizo pensar en algoritmos de aprendizaje automático y me pregunto qué tan buenos podrían ser para predecir el resultado de los juegos de fútbol o incluso la próxima jugada.

Me parece que podrían identificarse algunas tendencias: en el 3er y el 1er, un equipo con un fuerte corredor teóricamente debería tener una tendencia a correr el balón en esa situación.

La puntuación puede ser más difícil de predecir, pero el equipo ganador podría serlo.

Mi pregunta es si estas son buenas preguntas para arrojar a un algoritmo de aprendizaje automático. Podría ser que miles de personas lo hayan intentado antes, pero la naturaleza del deporte lo convierte en un tema poco confiable.

Hay muchas buenas preguntas sobre el fútbol (y los deportes, en general) que sería increíble lanzar a un algoritmo y ver qué sale. La parte difícil es saber qué lanzar al algoritmo.

Un equipo con una buena RB podría pasar en 3º y corto solo porque los oponentes probablemente esperarían correr, por ejemplo. Entonces, para producir realmente algunos resultados dignos, rompería el problema en pedazos más pequeños y los analizaría estadísticamente mientras los arrojo a las máquinas.

Hay algunos (buenos) sitios web que intentan hacer lo mismo, deberías revisarlos y usar lo que encuentren para ayudarte:

• Forasteros de fútbol
• Análisis avanzado de fútbol

Y si realmente desea explorar el Análisis de datos deportivos, definitivamente debe consultar los videos de la Conferencia deportiva de Sloan . Hay muchos de ellos difundidos en Youtube.

Sí. ¡¿Por qué no?! Con la gran cantidad de datos que se registran en cada deporte en cada juego, el uso inteligente de los datos podría llevarnos a obtener información importante sobre el rendimiento del jugador.

Algunos ejemplos:

• Béisbol : en la película Moneyball (que es una adaptación del libro de Moneyball), Brad Pitt interpreta a un personaje que analiza las estadísticas de los jugadores para crear un equipo que se desempeña tremendamente bien. Era una representación de la historia de la vida real del equipo de béisbol Oakland Athletics. Para obtener más información, 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 ha creado una herramienta de análisis de subastas que ha dado información sobre los jugadores de impacto para comprar en la subasta de la Premier League india de 2014 para el equipo Kolkata Knight Riders, que finalmente ganó el Campeonato IPL 2014 . Para obtener más información, http://scn.sap.com/community/hana-in-memory/blog/2014/06/10/sap-hana-academy-cricket-demo--how-sap-hana-powered-the -kolkata-knight-riders-to-ipl-championship

Entonces, sí, el análisis estadístico de los registros de los jugadores puede darnos información sobre qué jugadores tienen más probabilidades de desempeñarse, pero no qué jugadores realizarán . Entonces, el aprendizaje automático, un primo cercano del análisis estadístico demostrará ser un cambio de juego.

Definitivamente pueden. Te puedo apuntar a un buen papel . Una vez que lo usé para la implementación del algoritmo de predicción de resultados de la liga de fútbol, ​​principalmente con el objetivo de tener algún valor contra las casas de apuestas.

Del resumen del artículo:

Un modelo generalizado dinámico bayesiano para estimar las habilidades dependientes del tiempo de todos los equipos de una liga y predecir los partidos de fútbol del próximo fin de semana.

Palabras claves:

Modelos dinámicos, modelos lineales generalizados, modelos gráficos, métodos de Markov Chain Monte Carlo, predicción de partidos de fútbol

Citación:

Rue, Havard y Oyvind Salvesen. "Predicción y análisis retrospectivo de partidos de fútbol en una liga". Revista de la Royal Statistical Society: Serie D (The Statistician) 49.3 (2000): 399-418.

El aprendizaje automático y las técnicas estadísticas pueden mejorar el pronóstico, pero nadie puede predecir el resultado real.

Hubo una competencia de kaggle hace unos meses sobre la predicción del Torneo NCAA 2014 . Puede leer el Foro de Competencia para tener una mejor idea de lo que hicieron las personas y qué resultados lograron.

Se ha demostrado antes que las técnicas de aprendizaje automático se pueden aplicar para predecir resultados deportivos. La simple búsqueda en Google debería darte muchos resultados.

Sin embargo, también se ha demostrado (para la NFL por cierto) que los modelos predictivos muy complejos, los modelos predictivos simples, el cuestionamiento de las personas o el conocimiento de la multitud mediante el uso de información de apuestas, todos funcionan más o menos igual. Fuente: " Todo es obvio una vez que se sabe la respuesta - Cómo falla el sentido común ", Capítulo 7, por Duncan Watts.

Michael Maouboussin, en su libro "La ecuación del éxito", busca diferenciar la suerte de la habilidad en varios esfuerzos, incluidos los deportes. En realidad, clasifica los deportes según la cantidad de suerte que contribuye al rendimiento en los diferentes deportes (p. 23) y aproximadamente 2/3 del rendimiento en el fútbol es atribuible a la habilidad. Por el contrario, utilicé la técnica de MM para analizar el rendimiento en las carreras de Fórmula 1, y descubrí que el 60% es atribuible a la habilidad (menos de lo que esperaba).

Dicho esto, parece que este tipo de análisis implicaría que un conjunto de características suficientemente detallado y diseñado permitiría a los algoritmos de ML predecir el rendimiento de los equipos de la NFL, tal vez incluso al nivel de juego, con la advertencia de que aún existirá una variación significativa debido a la influencia de suerte en el juego

He leído algo al respecto y tenía en mente el siguiente blog:

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

Este blog trata de la predicción de un partido de la NFL después de que el medio tiempo ya haya terminado. La predicción es 80% precisa con el modelo GLM simple.

No sé si eso es adecuado para el fútbol.

He investigado un poco en esta área. He descubierto que las cadenas de Markov de primer orden funcionan bien para predecir la dinámica de puntuación en una variedad de deportes.

Puede leer con más detalle aquí: http://www.epjdatascience.com/content/3/1/4

No pueden predecir, pero pueden decirle el resultado más probable. Etienne realiza un estudio sobre este tipo de enfoque : predecir quién ganará la Copa del Mundo con Wolfram Language . Este es un estudio muy detallado, por lo que puede verificar toda la metodología utilizada para obtener las predicciones.

¡Lo suficientemente interesante, 11 de 15 partidos fueron correctos!

Como era de esperar, Brasil es el favorito, con una probabilidad de ganar del 42.5%. Este sorprendente resultado se debe al hecho de que Brasil tiene la clasificación Elo más alta y juega en casa.

(¡Vamos Brasil!)

Mucha gente ha enfatizado sobre cuáles son las cosas que se pueden predecir en sus respuestas. Ahora, con la fascinación por el aprendizaje profundo, podría, por ejemplo, usar RNN (digamos LSTM) para predecir los resultados de problemas deportivos que se basan en el tiempo. Estos son los últimos avances y superan a las modelos tradicionales.