AI对棒球运动员对游戏的影响有更深入的了解

美国职业棒球大联盟有时看起来像是一项运动，这似乎是一项运动。击球平均值，被盗的基地，三振出局，击中了 - 游戏的几乎每个方面都可以记录为一个数字。为了一个多世纪，团队和粉丝们通过统计过程来衡量球员和团队的表现和价值，并通过称为统计过程来衡量球员和团队的表现和价值Sabermetrics。

宾夕法尼亚州立大学的研究人员开发了一种新的分析方法，该方法取决于最新进展机器学习为个人玩家如何影响游戏提供了更准确的了解。

Sabermetrics使用121种统计数据量化玩家在击球，投球和射门方面的成功或失败，结果有多少场比赛获胜或输掉。这些数字在创造性地进行了处理，可以指导决策，这些决策可以使获胜和输球之间有所不同。

在2002年，奥克兰A（Oakland A）仅专注于一名球员的基础可能性，采取了创新的方法。结果，他们能够获取被传统分析所低估的球员 - 并在当年的美国联赛西部锦标赛中获得了冠军，这是一本书和电影中的一个故事Moneyball。

但是“当您简单地将游戏描述为计数统计数据时，您确实失去了很多有关游戏实际发生的信息。”宾夕法尼亚州立信息科学与技术学院（IST）。

在Sabermetrics中，无论还有什么事，一个单身都是单个，例如跑步者是基地还是球结束的地方。希顿说，将游戏作为一系列离散事件的录制并不能完全捕捉玩家的影响。

希顿的模型借鉴了最近的工作自然语言处理（NLP），特别是一种称为蒙版游戏建模的顺序建模技术，该技术可帮助计算机从周围的上下文中推断单词的含义。希顿说，在棒球中，可以使用类似的过程来根据上下文及其对游戏的影响来推断游戏事件的含义。

希顿还利用了自我监督的对比学习，一种用于计算机视觉中的方法家族，以从未标记的数据中得出结论。这个想法是，同一图像的相似视图将产生相似的输出，并且与一批图像中的其他记录不同。

希顿说：“我们将其适应棒球，并说在两个接近时间点上的同一球员应该对比赛产生类似的影响。”

希顿和他的合着者，IST教授Prasenjit Mitra，培训了他们的模型Statcast系统，它在每个MLB体育场使用12台高速摄像头，以记录有关投球，击球和野外的信息。总共有三种数据。首先，他们使用了Python软件包Pybaseball为了收集2015-2019季节和1995 - 2019年季节季节的数据，总共有5,000场比赛和460万球。

逐一数据包括游戏号码，蝙蝠编号和音高号。按季节的数据涵盖了每个音高的结果，就“ Gamestate”的变化而言：击球计数，基本占用率，出局次数和得分。这四个数字的各种组合可能会导致325个可能的游戏模型变化之一。

第三种输入是传统的Sabermetrics的录音，描述了每个投手，击球手及其过去的相遇。他们对希顿办公室的两个A600 GPU工作站进行了分析。

结果，在纸那被选为决赛选手麻省理工学院斯隆体育分析会议，是对每个玩家对称为“玩家形式”的游戏的短期影响的衡量标准。由64个元素向量描述的形式将玩家的技能描述为较大事件序列的一部分，而不是孤立的事件集合。Heaton说，在一个名为“嵌入式”的低维空间中表达，“它为好玩家影响游戏的确切方式提供了更大的细微差别。”

希顿（Heaton）和米特拉（Mitra）在2015年至2019年对MLB游戏中的技术进行了测试。当与传统的Sabermetrics结合使用时，他们的方法能够以几乎60％的精度预测游戏的获胜者。

表格似乎也做得更好，可以使玩家的影响如何。一种用于评估玩家价值的统计数据称为“胜利高于替代者”（战争） - 与假设的替代者相比，他们对团队的胜利有多大帮助，这是有助于的，具有更多的行人技能（和较低的成本）。

希顿说：“在分析基于Sabermetric的嵌入时，可以合理地得出结论，要获得高战争的评分，球员将需要进行大量本垒打。”

“另一方面，基于表格的嵌入提供了更全面的解释，这表明玩家可以为团队带来高价值的各种方式。”

作者已公开提供代码和数据github。他们希望使用该方法来模拟同一游戏中的事件如何相互关系，以及其他团队成员（例如经理人）可能对游戏结果的影响。

希顿说，统计重的棒球是一个显而易见的起点，但是他们的方法在板球，篮球或曲棍球等其他运动中也可能有用。除了运动之外，它可能还可以应用于医疗保健，例如允许医疗提供者描述患者及其在不同时间点的健康就诊。

同时，“我可以观看棒球比赛并说是为了研究目的，这绝对是很有趣的。”

朱利安·史密斯（Julian Smith）是一位贡献者。他是执行编辑Atellan Media和作者Aloha Rodeo和Smokejumper由HarperCollins出版。他撰写了有关绿色技术，可持续性，冒险，文化和历史的文章。

©2022 Nutanix，Inc。保留所有权利。有关其他法律信息，请去这里。