基于Lasso Ridge的XGBoost和Deep_LSTM助力网球选手更好表现
机器学习
2024-05-14 v1
摘要
理解网球比赛中动量和游戏波动的动态对于预测比赛结果和提升选手表现至关重要。本研究针对这一问题提供了全面分析，基于2023年Wimbledon决赛的数据。首先，我们开发了基于滑动窗口的评分模型，以评估选手表现，同时通过引入服务优势衰减因子来考虑服务影响。此外，我们提出一种新方法，即Lasso-Ridge基准XGBoost，用于量化动量效应，利用XGBoost的预测能力同时通过正则化来缓解过拟合问题。通过实验，我们实现了94%的预测准确率，识别了影响胜率的关键因素。随后，我们提出一种赢家率算法的导数来量化游戏波动，采用LSTM_Deep模型来预测波动得分。我们的模型有效捕捉了动量特征的时间相关性，平均平方误差范围为0.036至0.064。此外，我们探索了使用MAML进行元学习，将模型迁移到乒乓球比赛预测中，尽管结果表明性能有所下降。我们的发现为动量动力学和游戏波动提供了宝贵的见解，为体育分析和选手训练策略提供了启示。
引用
@article{arxiv.2405.07030,
title = {Lasso Ridge based XGBoost and Deep_LSTM Help Tennis Players Perform better},
author = {Wankang Zhai and Yuhan Wang},
journal= {arXiv preprint arXiv:2405.07030},
year = {2024}
}
备注
22 pages, 11 figures