Leakage-aware pre-match prediction of professional volleyball outcomes: temporal validation of machine-learning models against an Elo baseline
Diese Studie zeigt, dass maschinelle Lernmodelle Ergebnisse im professionellen Volleyball moderat vorhersagen können, wenn sie streng gegen Data Leakage und zeitliche Beschränkungen getestet werden, eine einfache Elo-Rating-Baseline jedoch weiterhin hochgradig wettbewerbsfähig bleibt, was darauf hindeutet, dass komplexe Algorithmen einen begrenzten zusätzlichen Nutzen für die Entscheidungsunterstützung vor dem Spiel bieten.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Die Vorhersage des Ausgangs eines professionellen Sportspiels ist eine Aufgabe, die Intuition mit harten Daten verbindet. In der Welt des kompetitiven Volleyballs werden Teams ständig auf ihre Stärken im Aufschlag, Angriff und Block analysiert. Seit Jahrzehnten untersuchen Forscher Statistiken, die nach einem Spiel erhoben wurden, um zu verstehen, warum ein Team gewonnen und ein anderes verloren hat. Es gibt jedoch einen entscheidenden Unterschied zwischen dem Erklären eines Ergebnisses im Nachhinein und dem Vorhersagen desselben vor dem ersten Ballwechsel. Eine Statistik wie die Anzahl der in einem Match erzielten Punkte ist eine perfekte Beschreibung dessen, was passiert ist, aber sie kann nicht verwendet werden, um vorherzusagen, was passieren wird, da sie nicht existiert, bis das Spiel beendet ist. Wahre Prognose erfordert die Verwendung ausschließlich der Informationen, die unmittelbar vor dem Match verfügbar sind, wie etwa die vergangene Leistung eines Teams, seine aktuelle Form und wie viele Tage es sich zur Erholung Zeit nehmen konnte. Diese Unterscheidung ist entscheidend für jeden, der versucht, ein zuverlässiges Modell zu erstellen, um die Zukunft zu erraten, da die Verwendung von Daten, die zum jetzigen Zeitpunkt noch nicht verfügbar sein sollten, eine falsche Genauigkeit suggeriert.
Eine aktuelle Studie von Xiaopeng Li von der Chengdu Sport University widmete sich dieser Herausforderung, indem sie professionelle Volleyballspiele in Polens höchster Liga, der bekannten PlusLiga, untersuchte. Das Ziel war es zu sehen, wie gut Machine-Learning-Modelle den Sieger eines Matches vorhersagen können, wenn ihnen strengstens untersagt ist, Informationen zu verwenden, die vor dem Spiel nicht bekannt wären. Der Forscher arbeitete mit einem öffentlichen Datensatz, der tausende von Spielaufzeichnungen enthielt, aber der erste Schritt war nicht der Bau eines Computerprogramms, sondern die Bereinigung der Daten. Bei genauerer Betrachtung enthielten die Datensätze aus den früheren Jahren des Datensatzes unmögliche Zahlen, wie zum Beispiel ein Team, das mehr „Asse“ (perfekte Aufschläge, die der Gegner nicht zurückspielen kann) verzeichnete, als insgesamt Aufschläge versucht wurden. Da diese Fehler nicht korrigiert werden konnten, ohne die ursprünglichen Regeln der Datenerhebung zu erraten, traf der Forscher die schwierige Entscheidung, über zweitausend dieser älteren Datensätze zu verwerfen. Die endgültige Analyse stützte sich auf 628 Matches aus den Saisons 2020/21 bis 2022/23, einem Zeitraum, in dem die Daten sauber und zuverlässig waren.
Um die Vorhersagekraft verschiedener Methoden zu testen, teilte der Forscher diese sauberen Daten in zwei Gruppen auf. Die erste Gruppe, die die Saisons 2020/21 und 2021/22 abdeckte, wurde verwendet, um verschiedene Computermodelle zu trainieren. Die zweite Gruppe, bestehend aus Matches der Saison 2022/23, wurde bis zum ganz am Ende vollständig verborgen gehalten. Dieser Ansatz ahmt das echte Leben nach: Ein Modell lernt aus der Vergangenheit und wird dann an der Zukunft getestet, um zu sehen, ob es tatsächlich funktioniert. Die Studie verglich fünf verschiedene Arten von Machine-Learning-Algorithmen, die von einfachen statistischen Methoden bis hin zu komplexen neuronalen Netzen reichten, gegen zwei grundlegende Benchmarks. Ein Benchmark bestand darin, einfach basierend darauf zu raten, wie oft Teams in der Vergangenheit gewonnen haben, während der andere das Elo-Rating-System nutzte, eine transparente Methode, die den Stärkewert eines Teams nach jedem einzelnen Match aktualisiert, basend darauf, wen sie besiegt haben und wie.
Die Ergebnisse zeigten, dass die Vorhersage von professionellem Volleyball möglich ist, aber weit entfernt von perfekt. Das erfolgreichste Modell war eine einfache statistische Methode namens Logistische Regression, die den Sieger in etwa 72 Prozent der Fälle bei den ungesehenen zukünftigen Daten korrekt vorhersagte. Dies war ein solides Ergebnis, aber kein Durchbruch. Tatsächlich schnitt das einfache Elo-Rating-System, das lediglich den Unterschied in der Teamstärke ohne komplexe Berechnungen betrachtete, fast ebenso gut ab und traf den Sieger in etwa 70 Prozent der Fälle. Die komplizierteren Machine-Learning-Modelle, einschließlich derer, die darauf ausgelegt sind, komplexe Muster in Daten zu finden, boten keinen signifikanten Vorteil gegenüber den einfacheren Methoden. In einigen Fällen waren die komplexen Modelle sogar weniger stabil, da sie während des Trainings gut abschnitten, aber beim Konfrontiertwerden mit neuen Matches keinen Erfolg beibehalten konnten.
Ein tieferer Blick darauf, was die Modelle tatsächlich für ihre Entscheidungen nutzten, offenbarte eine überraschende Wahrheit. Der mit Abstand wichtigste Faktor war der Unterschied in den Elo-Ratings der Teams. Obwohl die Modelle Zugriff auf vierzehn verschiedene Statistiken zur aktuellen Form eines Teams hatten, wie etwa die Aufschlaggenauigkeit oder wie viele Punkte sie in ihren letzten fünf Spielen erzielt hatten, lieferten diese Details kaum zusätzlichen Wert. Die Computermodelle verließen sich im Wesentlichen auf die einfache Tatsache, dass ein stärkeres Team wahrscheinlicher gewinnt, und die zusätzlichen technischen Daten änderten diese Vorhersage nicht wesentlich. Dies deutet darauf hin, dass die Informationen, die in der jüngsten Spielhistorie eines Teams enthalten sind, bereits weitgehend in deren allgemeiner Stärkebewertung erfasst sind. Die Studie fand auch heraus, dass die Modelle gut darin waren, die Wahrscheinlichkeit eines Sieges einzustufen, aber sie waren nicht perfekt; es gab immer noch eine erhebliche Unsicherheit bei jeder Vorhersage.
Die Studie kommt zu dem Schluss, dass es zwar möglich ist, die Ausgänge des professionellen Volleyballs mit moderatem Erfolg vorherzusagen, der Weg dorthin jedoch eine strikte Disziplin darüber erfordert, welche Informationen zugelassen werden. Die Forschung argumentiert explizit gegen die Vorstellung, dass komplexere Computeralgorithmen automatisch besser für diese Aufgabe sind. Stattdessen zeigt sie, dass ein klares, transparentes Maß der Teamstärke oft das leistungsfähigste verfügbare Werkzeug ist. Die Ergebnisse unterstützen die Verwendung dieser Modelle als vorsichtige Hilfe für die Analyse vor dem Match, um vielleicht Scouts oder Fans dabei zu helfen, die wahrscheinliche Schwierigkeit eines Duells zu verstehen. Die Studie warnt jedoch davor, dass diese Modelle nicht für Live-Entscheidungen während des Spiels oder für spezifische Coaching-Ratschläge verwendet werden sollten, da sie die dynamischen Veränderungen, die während eines Matches stattfinden, nicht berücksichtigen können. Darüber hinaus sind die Ergebnisse spezifisch für diese eine Liga und können nicht ohne weitere Tests auf andere Sportarten oder andere Wettbewerbsniveaus übertragen werden. Die Arbeit dient als Erinnerung daran, dass in der Sportprognose das Wissen darüber, was man nicht weiß, genauso wichtig ist wie die Vorhersage selbst.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.