基于部分成员模型的多变量足球球员表现数据软聚类
统计方法学
2025-08-05 v2 应用统计
摘要
标准混合模型框架广泛用于研究异构人口，将其建模为由有限数量的均匀子人口组成。在标准混合模型中，每个数据点属于一个且仅属于一个混合组件或簇，但当数据点在多个簇中具有部分成员资格时，这一假设就不切实际。将观察表示为部分属于多个组，而不是以不确定性属于一个组，概念上截然不同。为此，已发展出各种软聚类方法，即individual-level混合模型。在此背景下，Heller 等人(2008)提出了贝叶斯部分成员模型(PM)作为individual-level混合的替代结构，该模型还以属性特定混合形式捕获部分成员资格。我们的工作提出将PM用于多变量足球球员表现数据的软聚类，并将结果与混合成员模型和有限混合模型的结果进行比较。使用马尔可夫链蒙特卡洛方法进行学习和推断。该方法应用于2022/2023赛季的意甲足球球员数据，用于估计球员倾向于在场上的位置，除了他们的主要位置之外，基于其 playing style。将部分成员模型应用于足球数据可能对教练、人才考官、球队经理和分析师具有实际意义。这些利益相关者可以利用所发现的内容来做出与球队战略、人才选拔和统计研究有关的明智决策，从而最终提升足球领域的表现和理解。
引用
@article{arxiv.2409.01874,
title = {Partial membership models for soft clustering of multivariate football player performance data},
author = {Emiliano Seri and Roberto Rocci and Thomas Brendan Murphy},
journal= {arXiv preprint arXiv:2409.01874},
year = {2025}
}