Citat:
Ursprungligen postat av
nerdnerd
Skulle du kunna vara lite mer konkret? Kanske t ex med någon länk till någon artikel som beskriver det du talar om lite mer i detalj, gärna med just fotboll som exempel? Gärna då alltså på en sån detaljnivå att man skulle kunna utgå ifrån den för lite eget meckande.
Nja, i det här fallet går det nog inte att vara särskilt konkret eftersom det är rätt spekulativt och på rätt abstrakt nivå. Vi vet dock att om det finns en funktion f som kan diskriminera mellan händelserna (vinst eller förlust för lag A för att göra det enkelt) så hade ett neuronnät kunnat approximatera f med godtycklig precision.
Jag tänker mig en situation som AlphaGo, som nyligen besegrade en människa i go. I det fallet utvärderades pjäsernas positioner och det överliggande board state för att maximera en objective function, i det fallet det som maximerade sannolikheten för vinst eller det som gav starkaste positionen på brädet.
I fotboll skulle vi kunna säga "i tidpunkten t givet att lag A har spelare x och y som rört sig så och lag Bs spelare z och k har rört sig så och så, så är sannolikheten att lag A vinner lika med p". Målet är likande som det i go men i fotboll rör sig "pjäserna" och det finns mer osäkerhet eftersom antalet spelbara positioner inte ens är vettigt definierat.
Dessutom hade det varit så gott som omöjligt att få tillgång till den datan eftersom vi knappast har tillgång till hundratals matcher mellan A och B där uppställning och spelflöde har kvantifierats I tillfredsställande precision.
Men det finns företag som för mycket detaljerad sportstatistik under en matchers alla sekunder, och sådan information hade iallafall varit en bit på vägen. I praktiken hade man nog dock fått nöja sig med enklare modeller, kanske ett neuronnät men med grövre features där spelarnas och lagens spelstyrka modelleras på en högre och mer abstrakt nivå. Här kommer expertkunskap i fotboll in för att kunna göra vettiga features.
Bettingsiterna använder redan liknande modeller för att få koll på oddssättning, men jag kan inte beskriva hur de är uppbyggda i praktiken. Jag kan dock forska lite i det för att komma med mer konkreta förslag.
Inte exakt det jag talade om men Cintia et al (2015) föreslår en approach som ger en feature i form av en indikator och Andrienko et al (2016) analyserar spelarnas och bollens rörelser under matchen i form av mönster och attackvektorer.
Referenser
Andrienko, G., Andrienko, N., Budziak, G., von Landesberger, T., & Weber, H. (2016, September). Coordinate Transformations for Characterization and Cluster Analysis of Spatial Configurations in Football. In Joint European Conference on Machine Learning and Knowledge Discovery in Databases (pp. 27-31). Springer International Publishing.
Cintia, P., Giannotti, F., Pappalardo, L., Pedreschi, D., & Malvaldi, M. (2015, October). The harsh rule of the goals: data-driven performance indicators for football teams. In Data Science and Advanced Analytics (DSAA), 2015. 36678 2015. IEEE International Conference on (pp. 1-10). IEEE.