使用微调大型事件模型估计不同情境下的球员表现
机器学习
2024-04-29 v2
摘要
本文介绍了一种创新的大型事件模型（LEMs）在足球分析领域的应用。通过学习足球的“语言”——即预测后续事件的变量而非单词——LEMs能够模拟比赛并提供多种应用，包括跨不同球队情境的球员表现预测。我们聚焦于使用2017-2018赛季的英格兰足总协会（Premier League）赛季数据集对LEMs进行微调，以获得关于球员贡献和球队战略的具体洞见。我们的 метод involves adapting these models to reflect the nuanced dynamics of soccer, enabling the evaluation of hypothetical transfers.我们的发现确认了LEMs在足球分析中的有效性与局限性，突显了该模型在预测球队预期排名并探索高情景情境（如克里斯蒂亚诺·罗纳尔多或利昂内·梅西转会至英格兰足总协会其他球队的潜在影响）方面的能力。这一分析凸显了情境在评估球员质量中的重要性。虽然常规指标可能暗示球员之间存在显著差异，但在特定球队框架内的情境分析则揭示了球员表现在特定情境下的较窄差距。
引用
@article{arxiv.2402.06815,
title = {Estimating Player Performance in Different Contexts Using Fine-tuned Large Events Models},
author = {Tiago Mendes-Neves and Luís Meireles and João Mendes-Moreira},
journal= {arXiv preprint arXiv:2402.06815},
year = {2024}
}