NCAA Bracket Prediction Using Machine Learning and Combinatorial Fusion Analysis

Diese Arbeit stellt eine neue Methode zur Vorhersage von NCAA-Turnierergebnissen vor, die auf der kombinatorischen Fusionsanalyse (CFA) basiert und mit einer Genauigkeit von 74,60 % die Leistung der zehn besten öffentlichen Ranglistensysteme übertrifft.

Das Wesentliche

🏀 Der große Basketball-Wettstreit: Wie ein neuer Algorithmus die NCAA-Turnier-Vorhersage meistert

Stellen Sie sich vor, Sie sitzen mit Freunden am Fernseher und füllen Ihren March Madness-Wettzettel aus. Das ist wie ein riesiges Glücksspiel: 68 Teams, ein K.-o.-System, und niemand weiß wirklich, wer gewinnen wird. Manchmal gewinnt der Favorit, manchmal der „Underdog" (der Außenseiter), der alle überrascht.

In diesem Papier erzählen die Forscher von der Fordham University eine Geschichte darüber, wie sie Maschinenlernen (Computer, die lernen) mit einer cleveren neuen Methode namens Combinatorial Fusion Analysis (CFA) kombinieren, um diese Vorhersagen besser zu machen als jeder andere.

1. Das Problem: Warum Computer oft scheitern

Bisher haben Computer versucht, Basketballspiele wie eine einfache Ja/Nein-Frage zu lösen: „Gewinnt Team A oder Team B?" Sie haben dabei oft nur auf eine einzige Art und Weise geschaut.

• Die Analogie: Stellen Sie sich vor, Sie fragen nur einen einzigen Experten: „Wer gewinnt das Spiel?" Dieser Experte könnte sich irren, weil er vielleicht nur die Offensive betrachtet und die Defensive ignoriert. Oder er ist einfach an diesem Tag nicht in Form.

2. Die Lösung: Der „Super-Rat" (Ensemble-Modelle)

Die Forscher haben sich gedacht: „Warum fragen wir nicht fünf verschiedene Experten?"
Sie haben fünf verschiedene Computer-Modelle trainiert (Logistische Regression, SVM, Random Forest, XGBoost und ein neuronales Netz).

• Die Analogie: Das ist wie ein Rat von fünf verschiedenen Beratern.
  • Berater A ist ein Statistiker, der Zahlen liebt.
  • Berater B ist ein Taktik-Genie.
  • Berater C ist ein Glücksritter, der auf Zufallsergebnisse achtet.
  • Berater D ist ein Daten-Monster.
  • Berater E ist ein Visionär, der Muster erkennt, die andere übersehen.

Jeder Berater hat seine eigene Meinung (seine „Bewertung" oder „Score").

3. Der Trick: Nicht nur Stimmen zählen, sondern „Denken" vergleichen (CFA)

Hier kommt die eigentliche Magie ins Spiel. Normalerweise würde man einfach die Stimmen aller Berater zählen (Mehrheitsentscheid). Aber die Forscher nutzen Combinatorial Fusion Analysis (CFA).

Stellen Sie sich vor, jeder Berater schreibt nicht nur eine Vorhersage auf, sondern auch eine Rangliste (Platz 1, Platz 2, Platz 3...).

• Die Rang-Score-Funktion (RSC): Das ist wie die „Persönlichkeit" eines Beraters. Zeigt er sich sehr selbstbewusst (steile Kurve) oder eher vorsichtig (flache Kurve)?
• Kognitive Vielfalt (Cognitive Diversity): Das ist der wichtigste Teil. Die Forscher fragen sich nicht nur: „Wer hat recht?", sondern: „Wie unterschiedlich denken diese Berater?"
  • Wenn Berater A und Berater B immer genau das Gleiche sagen, sind sie wie zwei Zwillinge. Wenn einer falsch liegt, liegt der andere auch falsch. Das bringt nichts.
  • Wenn Berater A und Berater B aber völlig unterschiedlich denken (hohe kognitive Vielfalt), decken sie mehr Möglichkeiten ab. Wenn einer irrt, hat der andere vielleicht die richtige Antwort.

Die Forscher haben berechnet, welche Berater-Gruppen am vielfältigsten (unterschiedlichsten) sind, aber trotzdem gut funktionieren. Sie haben herausgefunden, dass eine Kombination aus drei bestimmten Beratern (Logistik, SVM und ein neuronales Netz) über die letzten 10 Jahre am besten zusammengearbeitet hat.

4. Das Ergebnis: Der neue Weltrekord

Die Forscher haben ihre Methode auf die Daten des Jahres 2024 angewandt.

• Der Vergleich: Sie haben ihre Vorhersagen mit den besten 10 öffentlichen Rankings verglichen (wie die bekannten ESPN- oder NET-Rankings).
• Das Ergebnis: Die meisten öffentlichen Rankings lagen bei einer Trefferquote von etwa 73 %.
• Der Gewinner: Die neue Methode der Forscher erreichte 74,60 %.

Das klingt nach nur 1,6 %, aber im Sport ist das ein riesiger Vorsprung. Es ist wie der Unterschied zwischen einem guten Fußballtorwart und dem besten Torwart der Welt.

5. Warum ist das wichtig?

Die Forscher sagen: „Schauen Sie nicht nur auf die Punkte (Scores), schauen Sie auch auf die Rangliste (Ranks)."

• Die Analogie: Wenn Sie eine Schatzkarte haben, ist es egal, ob Sie die Koordinaten in Metern oder in Schritten angeben. Wichtig ist, dass Sie die Reihenfolge der Orte verstehen. Durch das Kombinieren von „Punkten" und „Rangplätzen" aus verschiedenen Perspektiven haben sie eine stabilere Vorhersage gefunden.

Fazit in einem Satz

Die Forscher haben gezeigt, dass man die Zukunft des Basketball-Turniers besser vorhersagen kann, wenn man nicht nur einen super-intelligenten Computer nimmt, sondern eine diverse Gruppe von Computern zusammenbringt, deren unterschiedliche Denkweisen man clever kombiniert – ähnlich wie ein guter Coach, der auf die Meinungen von Offensiv- und Defensivtrainern gleichermaßen hört.

Das Ergebnis? Ein Algorithmus, der genauer ist als alles, was die Öffentlichkeit bisher angeboten hat.

Technische Zusammenfassung

Hier ist eine detaillierte technische Zusammenfassung des Papers „NCAA Bracket Prediction Using Machine Learning and Combinatorial Fusion Analysis" auf Deutsch:

1. Problemstellung

Die Vorhersage des NCAA-Männerbasketball-Turniers („March Madness") ist eine komplexe Herausforderung, die traditionell als Klassifikationsproblem behandelt wird. Obwohl maschinelles Lernen (ML) in den letzten Jahren Erfolge erzielt hat, bleibt die Vorhersage aufgrund der inhärenten Unvorhersehbarkeit des Sports (z. B. Verletzungen, Teamchemie, psychologische Faktoren) schwierig.
Das Hauptproblem, das dieses Paper adressiert, ist die Optimierung der Genauigkeit von Vorhersagemodellen, indem nicht nur einzelne Modelle verbessert, sondern eine intelligente Kombination (Ensemble) verschiedener Modelle unter Einbeziehung von Rangordnungsdaten (Rankings) und kognitiver Diversität genutzt wird. Bisherige Ansätze nutzen oft nur Score-basierte Kombinationen oder vernachlässigen die spezifischen Eigenschaften von Rangdaten.

2. Methodik

Die Autoren schlagen einen hybriden Ansatz vor, der auf Combinatorial Fusion Analysis (CFA) basiert. Der Prozess gliedert sich in folgende Schritte:

• Datengrundlage:

  • Daten von 2001 bis 2022 (ausgenommen 2020) von Kaggle und KenPom.
  • Features umfassen offensive/defensive Effizienz, Stärke des Gegners (Strength of Schedule) und Glücksfaktoren.
  • Feature-Engineering: Statt absoluter Werte werden Differenzvariablen zwischen zwei Teams berechnet. Um ein ausgeglichenes Klassenset zu erhalten, werden die Teamvariablen getauscht, um sowohl Siege als auch Niederlagen zu labeln (Zielvariable: 1 für Sieg, 0 für Niederlage).
  • Feature-Selection: Mittels Recursive Feature Elimination with Cross-Validation (RFECV) und einem Random Forest wurden 26 optimale Features aus ursprünglich 44 ausgewählt.

• Basis-Modelle (Base Models):
  Fünf diverse ML-Modelle wurden als Basis-Ensemble trainiert:

  1. Logistische Regression (mit Regularisierung)
  2. Support Vector Machines (SVM)
  3. Random Forest
  4. XGBoost
  5. Convolutional Neural Network (CNN)

• Combinatorial Fusion Analysis (CFA) Framework:
  Das Kernstück der Methodik ist die CFA, die zwei Räume nutzt: den Score-Raum (Wahrscheinlichkeiten/Realwerte) und den Rank-Raum (Rangfolgen).

  • Rank-Score Characteristic (RSC) Funktion: Eine Funktion, die die Beziehung zwischen einem Rang und dem zugehörigen Score beschreibt. Sie ist unabhängig von den spezifischen Datenpunkten und ermöglicht den Vergleich verschiedener Systeme.
  • Kognitive Diversität (Cognitive Diversity - CD): Ein Maß für die Unterschiedlichkeit zweier Modelle, basierend auf der Distanz ihrer RSC-Funktionen (nicht auf Korrelation der Vorhersagen).
  • Kombinationsstrategien: Die Modelle werden durch drei Methoden kombiniert:
    1. Durchschnittliche Kombination (Average Combination - AC).
    2. Gewichtung nach Leistung (Weighted Combination by Performance - WCP).
    3. Gewichtung nach Diversitätsstärke (Weighted Combination by Diversity Strength - WCDS).
  • Es wurden sowohl Score-Kombinationen als auch Rank-Kombinationen (basierend auf den Rängen der Modelle) getestet.

• Modellauswahl für 2024:
  Da die Ergebnisse 2024 zum Zeitpunkt der Studie noch nicht vorlagen, wurde ein historischer Trend über die letzten 10 Jahre analysiert. Die Kombination der Modelle Logistische Regression (A), SVM (B) und CNN (E) – bezeichnet als „ABE"-Ensemble – zeigte in der Vergangenheit am häufigsten eine Verbesserung gegenüber den Einzelmodellen und wurde für die finale Vorhersage ausgewählt.

3. Wichtige Beiträge

• Neue Perspektive: Die Arbeit behandelt Sportvorhersagen nicht nur als Klassifikationsproblem, sondern integriert explizit Ranking-Methoden als primären Ansatz zur Verbesserung der Genauigkeit.
• Anwendung von CFA im Sport: Erstmals wird das CFA-Framework (bisher in Bioinformatik und Portfolio-Management genutzt) erfolgreich auf NCAA-Basketball angewendet, wobei die kognitive Diversität als Gewichtungsfaktor dient.
• Rank vs. Score: Die Studie demonstriert, dass die Kombination von Modellen im Rang-Raum (Rank Combination) oft robuster ist als im Score-Raum, insbesondere wenn die RSC-Funktionen unterschiedliche Diversitätsmuster aufweisen.
• Systematischer Vergleich: Ein umfassender Vergleich von 52 verschiedenen Ensemble-Konfigurationen (basierend auf 5 Basis-Modellen) zur Identifizierung des optimalen Modells für zukünftige Daten.

4. Ergebnisse

• Genauigkeit: Das optimierte Ensemble (Rank-Kombination des „ABE"-Modells) erreichte eine Genauigkeit von 74,60 % für das Jahr 2024.
• Vergleich mit dem State-of-the-Art: Dies ist eine Steigerung von 1,58 Prozentpunkten gegenüber dem besten der zehn getesteten öffentlichen Rankingsysteme (z. B. NET Rankings, Logan), die eine maximale Genauigkeit von 73,02 % erreichten.
• Score-Kombination: Die reine Score-Kombination des gleichen Ensembles erzielte 71,43 % Genauigkeit. Dies ist zwar niedriger als die Rank-Kombination, schlägt aber immer noch die Hälfte der Vergleichssysteme.
• Diversitätseffekt: Die Analyse der RSC-Funktionen zeigte, dass Modelle mit hoher kognitiver Diversität (z. B. SVM und Logistische Regression im Jahr 2021) ein höheres Potenzial für erfolgreiche Ensembles bieten, wenn ihre Einzelleistungen gut sind.

5. Bedeutung und Fazit

Die Studie belegt die Effektivität von Combinatorial Fusion Analysis zur Steigerung der Vorhersagegenauigkeit im Sport. Der entscheidende Vorteil liegt in der Nutzung der kognitiven Diversität anstelle traditioneller Korrelationsmaße, um Modelle zu gewichten.

• Robustheit: Der Ansatz ist robust, da er sowohl kontinuierliche Scores als auch diskrete Ränge verarbeiten kann.
• Zukunftsausblick: Die Autoren planen, in zukünftigen Arbeiten alle drei Gewichtungsmethoden (Durchschnitt, Leistung, Diversität) gleichzeitig zu nutzen und das Framework mit weiteren Ensemble-Methoden zu vergleichen.
• Allgemeine Anwendbarkeit: Die Methode ist nicht auf Basketball beschränkt, sondern kann prinzipiell auf jede Domäne angewendet werden, in der multiple Bewertungssysteme kombiniert werden müssen (z. B. Medizin, Finanzwesen).

Zusammenfassend demonstriert das Paper, dass die intelligente Fusion heterogener Modelle unter Berücksichtigung ihrer Rangordnungscharakteristika und kognitiven Unterschiede signifikant bessere Ergebnisse liefert als herkömmliche Ensemble-Methoden oder einzelne State-of-the-Art-Modelle.