Vinnaren i pepparkakshustävlingen!
  • 1
  • 2
2016-09-19, 21:54
  #13
Medlem
nerdnerds avatar
Citat:
Ursprungligen postat av VonFanderblad
Ptja, givet att training set är representativt för resterande matcher. Form och förmåga varierar ju över tid så det blir lite knepigt, men i teorin skulle man ju t om kunna modellera samtliga spelares position på planen och deras prestation för att sedan utvärdera sannolikheten för vinst i realtid. Detta är dock rent teoretisk.

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.
Citera
2016-09-20, 01:03
  #14
Medlem
VonFanderblads avatar
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.
__________________
Senast redigerad av VonFanderblad 2016-09-20 kl. 01:26.
Citera
2016-09-20, 04:23
  #15
Medlem
nerdnerds avatar
Citat:
Ursprungligen postat av VonFanderblad
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.

Wow. Tack för ett väldigt genomarbetat svar! Jo jag kan nog tänka mig att det numera finns teknik som håller reda på varje spelare på planen under hela matchen. Lite mer skeptisk till hur mycket användbar information detta ger egentligen, men det kan jag omvärdera när om helst om det finns goda säl för det. Vore intressant om man fick möjlighet att göra ett försök.
Citera
2016-09-20, 20:08
  #16
Medlem
Citat:
Ursprungligen postat av VonFanderblad
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.
Utan att läst på skulle jag gissa att AlphaGo bygger på någon form av trädsökning, kombinerat med neurala nätverk för att värdera noderna.

Och för att simulera en fotbollsmatch borde man på liknande sätt kunna göra ett träd med alla tänkbara mellanresultat. Man kan då koppla varje nod till ett eget neuralt nätverk som tränas individuellt till att gissa sannolikheterna för efterföljande mål.

Då får man ett program som modellerar den aktuella processen istället för att arbeta i blindo och nätverken kan ta hänsyn till att spelarna ändrar beteende när matchresultatet ändrar sig. Det tror jag skulle ge mycket bättre träffsäkerhet än att försöka gissa slutresultatet i ett enda nätverk.
Citera
2016-09-20, 21:02
  #17
Medlem
VonFanderblads avatar
Citat:
Ursprungligen postat av WbZV
Utan att läst på skulle jag gissa att AlphaGo bygger på någon form av trädsökning, kombinerat med neurala nätverk för att värdera noderna.

Och för att simulera en fotbollsmatch borde man på liknande sätt kunna göra ett träd med alla tänkbara mellanresultat. Man kan då koppla varje nod till ett eget neuralt nätverk som tränas individuellt till att gissa sannolikheterna för efterföljande mål.

Då får man ett program som modellerar den aktuella processen istället för att arbeta i blindo och nätverken kan ta hänsyn till att spelarna ändrar beteende när matchresultatet ändrar sig. Det tror jag skulle ge mycket bättre träffsäkerhet än att försöka gissa slutresultatet i ett enda nätverk.
Precis, det använder konvolutioner för att minska antalet kombinationer som söks eftersom sökrummet är gigantiskt samtidigt som det är rätt lätt att "se" vilka vägar i trädet som (troligen) inte kommer leda nån vart.
Citera
2017-06-06, 15:57
  #18
Medlem
nerdnerds avatar
Citat:
Ursprungligen postat av Laertes
Jag vill att modellen ska spotta ur sig en sannolikhet för att antingen lag 1 vinner, lag 2 vinner eller att det blir oavgjort. Det är självklart att detta är ett ämne som bäst lämpar sig för matematisk statistik, men vilka koncept mer exakt är värda att titta på? Det finns ju allt från enkla stokastiska processer till dolda Markovmodeller and so on.

Citat:
Ursprungligen postat av WbZV
Utan att läst på skulle jag gissa att AlphaGo bygger på någon form av trädsökning, kombinerat med neurala nätverk för att värdera noderna.

Och för att simulera en fotbollsmatch borde man på liknande sätt kunna göra ett träd med alla tänkbara mellanresultat. Man kan då koppla varje nod till ett eget neuralt nätverk som tränas individuellt till att gissa sannolikheterna för efterföljande mål.

Då får man ett program som modellerar den aktuella processen istället för att arbeta i blindo och nätverken kan ta hänsyn till att spelarna ändrar beteende när matchresultatet ändrar sig. Det tror jag skulle ge mycket bättre träffsäkerhet än att försöka gissa slutresultatet i ett enda nätverk.

Citat:
Ursprungligen postat av VonFanderblad
Precis, det använder konvolutioner för att minska antalet kombinationer som söks eftersom sökrummet är gigantiskt samtidigt som det är rätt lätt att "se" vilka vägar i trädet som (troligen) inte kommer leda nån vart.

Finns en trevlig bok på populär nivå om fotbollsmatematik, som jag läste rätt nyligen: Soccermatics av David Sumpters.

http://www.bokus.com/bok/9781472924131/soccermatics/

Och JA, tydligen finns det numera *väldigt* detaljerade data om varje spelare i matcherna i iaf de högre ligorna.
Citera
  • 1
  • 2

Stöd Flashback

Flashback finansieras genom donationer från våra medlemmar och besökare. Det är med hjälp av dig vi kan fortsätta erbjuda en fri samhällsdebatt. Tack för ditt stöd!

Stöd Flashback