英格兰足总联赛球员表现预测的深度学习与迁移学习架构
机器学习
2024-05-07 v1
摘要
本文提出了一个用于预测英格兰足总联赛(EPL)球员表现的开创性模型，基于卷积神经网络(CNN)。我们对 Ridge 回归、LightGBM 和 CNN 在预测基于历史 FPL 数据过去几周预测下一周球员 FPL 得分的任务上的表现进行了评估。我们的基线模型，Ridge 回归和 LightGBM，实现了稳健的性能，并强调了最近的 FPL 分数、影响力、创造力、威胁和出场时间在预测 EPL 球员表现方面的重要性。我们的优化 CNN 架构以更少的输入特征实现更好的性能，甚至超过文献中最好的 EPL 球员表现预测模型。优化的 CNN 架构也实现了与球员排名的 very strong Spearman 相关性，表明其强大的支持 FPL 人工智能(AI) 代理的发展以及为 FPL 经理提供分析。我们此外对针对同一任务的足球新闻数据进行迁移学习实验，这些数据收集自The Guardian，但没有在自然语言新闻文本中识别出强大的预测信号，表现不佳于 CNN 和基线模型。总体而言，我们的 CNN 基于方法在 EPL 球员表现预测方面取得了显著的进展，为其他 EPL 预测任务(如体育赛盘赌的胜负赔率)以及开发前沿 FPL AI 代理奠定了基础。
引用
@article{arxiv.2405.02412,
title = {Deep Learning and Transfer Learning Architectures for English Premier League Player Performance Forecasting},
author = {Daniel Frees and Pranav Ravella and Charlie Zhang},
journal= {arXiv preprint arXiv:2405.02412},
year = {2024}
}
备注
10 pages