面向体育球队排名的深度相似学习
机器学习
2022-02-17 v2
摘要
体育数据更易获取，因而文献中体育分析、预测与排名的数量有所增加。体育因其各自的随机性而独特，使得分析与准确预测对业内人员颇具价值。对此，我们聚焦于连体神经网络（SNN）结合LightGBM与XGBoost模型，以预测比赛重要性并对橄榄球与篮球球队进行排名。我们开发并比较了六种模型：LightGBM、XGBoost、LightGBM（对比损失）、LightGBM（三元组损失）、XGBoost（对比损失）、XGBoost（三元组损失）。采用三元组损失函数的模型表现优于采用对比损失的模型。显然LightGBM（三元组损失）是排名NBA最有效的模型，分别取得了state of the art（SOTA）mAP（0.867）与NDCG（0.98）。SNN（三元组损失）最有效地预测了Super 15橄榄球， yielding SOTA mAP（0.921）、NDCG（0.983）与（0.793）。三元组损失取得了最佳总体结果，显示出学习表示/嵌入对于体育预测与排名的价值。总体而言，两项运动中并无单一始终最优的模型，表明未来应考虑其他排名模型。
引用
@article{arxiv.2103.13736,
title = {Deep Similarity Learning for Sports Team Ranking},
author = {Daniel Yazbek and Jonathan Sandile Sibindi and Terence L. Van Zyl},
journal= {arXiv preprint arXiv:2103.13736},
year = {2022}
}