Αξιολόγηση ομάδων καλαθοσφαίρισης με τεχνικές μηχανικής μάθησης
Evaluating basketball teams with machine learning techniques
Προβολή/ Άνοιγμα
Λέξεις κλειδιά
Sports analytics ; Machine learning ; Μηχανικη μαθηση ; K-means clustering ; Outcome predictionΠερίληψη
Στις μέρες μας η ραγδαία ανάπτυξη της μηχανικής μάθησης αποτελεί ένα χρήσιμο
εργαλείο σε διάφορους κλάδους της καθημερινότητας. Ένας από αυτούς είναι και η
καλαθοσφαίριση.
Στα πλαίσια της διπλωματικής εργασίας εξερευνάται η σχέση της
καλαθοσφαίρισης με την μηχανική μάθηση. Πιο αναλυτικά θα μελετηθούν οι
παράγοντες που επηρεάζουν την απόδοση μιας ομάδας, με την ανίχνευση του
σύγχρονου τρόπου παιχνιδιού μέσω συσταδοποίησης. Επιπλέον ερευνώνται τα
χαρακτηριστικά που δίνουν μεγαλύτερη προβλεπτική ικανότητα, αναμεσά στα
κλασικά στατιστικά και σε πιο αναλυτικούς δείκτες. Για την επίτευξη των
προαναφερθέντων, συλλέχθηκαν δεδομένα από την επίσημη ιστοσελίδα του ΝΒΑ και
εφαρμόστηκαν πολλαπλές μέθοδοι μηχανικής μάθησης, για πιο ακριβή
αποτελέσματα.
Ακόμη δίνεται μια εκτενής ματιά στην ιστορία της καλαθοσφαίρισης, από τα
πρώιμα χρονιά μέχρι και την εισαγωγή των δεδομένων. Γίνεται αναλυτική
βιβλιογραφική ανασκόπηση και ερευνάται επιπλέον το θεωρητικό υπόβαθρο των
μεθόδων.
Από τις εφαρμογές προέκυψαν 12 είδη παικτών, καθώς και η σημασία των
παικτών που είναι αποτελεσματικοί πίσω από την γραμμή τριών πόντων και είναι
κορυφαίοι αμυντικοί, η ρευστότητα των σύγχρονων forward και η σημασία των
ψηλών. Για τα προβλεπτικά μοντέλα προέκυψε ότι η καλύτερη μέθοδος διαφέρει
ανάλογα με την επιλογή των χαρακτηριστικών. Τα συνελικτικά νευρωνικά δίκτυα και
η λογιστική παλινδρόμηση παρουσίασαν την καλύτερη απόδοση για διαφορετικά
σύνολα μεταβλητών.