Cross-individual generalizability of machine learning models for ball speed prediction in baseball pitching
Diese Studie evaluiert die interindividuelle Generalisierbarkeit von Modellen des maschinellen Lernens zur Vorhersage der Baseball-Pitch-Geschwindigkeit bei 50 Pitchern und zeigt auf, dass während die intraindividuelle Leistung hoch ist, die Generalisierung signifikant abnimmt und je nach Expertiselevel sowie spezifischen Körpersegmenten variiert, was die Notwendigkeit einer interindividuellen Validierung unterstreicht, um die praktische Anwendbarkeit in der Sportwissenschaft zu verbessern.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung eines Preprints, das nicht peer-reviewed wurde. Dies ist kein medizinischer Rat. Treffen Sie keine Gesundheitsentscheidungen auf Grundlage dieses Inhalts. Vollständigen Haftungsausschluss lesen
Stellen Sie sich vor, Sie versuchen einem Roboter beizubringen, wie hart ein Baseballpitcher wirft, indem Sie einfach nur beobachten, wie sich sein Körper bewegt. Sie haben eine Menge Daten von 50 verschiedenen Pitchern, die von Highschool-Kids bis hin zu Profi-Stars reichen.
Dieser Artikel ist im Grunde ein Zeugnis darüber, wie gut dieser Roboter arbeitet, wenn er auf einen neuen Pitcher trifft, den er noch nie zuvor gesehen hat.
Hier ist die Geschichte dessen, was sie herausgefunden haben, unterteilt in einfache Konzepte:
1. Der „Klassenzimmer“- vs. der „echte Welt“-Test
Die Forscher führten zwei Arten von Tests durch, um zu sehen, wie intelligent ihr KI-Modell war:
- Der Klassenzimmer-Test (Innerhalb eines Individuums): Sie lehrten den Roboter etwas über Pitcher A und testeten ihn dann sofort wieder an Pitcher A. Der Roboter war hier ein Genie und erreichte eine Punktzahl von 91 % (R² = 0,91). Er wusste genau, wie sich Pitcher A bewegte.
- Der echte Welt-Test (Über Individuen hinweg): Sie lehrten den Roboter etwas über die Pitcher A bis Z, aber testeten ihn dann an einem brandneuen Pitcher, den er noch nie gesehen hatte. Plötzlich sank die Punktzahl des Roboters auf 38 % (R² = 0,38).
Die Analogie: Stellen Sie sich einen Schüler vor, der die Antworten auf eine ganz bestimmte Übungsprüfung auswendig lernt. Wenn man ihm genau diese Prüfung gibt, bekommt er eine Eins. Aber wenn man ihm eine neue Prüfung gibt, die die gleichen Arten von Fragen, aber andere Zahlen enthält, könnte er Schwierigkeiten bekommen. Der Robot war gut darin, spezifische Personen auswendig zu lernen, aber schlecht darin, die allgemeinen Regeln des Pitchings zu verstehen, die für alle gelten.
2. Die „Experten“- vs. „Intermediär“-Falle
Die Forscher fragten sich, ob der Roboter verwirrt war, weil einige Pitcher Profis und andere Amateure waren. Sie teilten die Gruppe in „Experten“ (Profis) und „Intermediäre“ (College- oder Industriespieler) auf.
- Was sie fanden: Der Robot vertuschte nicht das Ausmaß des Fehlers für eine der Gruppen, aber er vertuschte die Richtung bei den Intermediären.
- Die Metapher: Denken Sie an den Roboter als einen Trainer, der davon ausgeht, dass, wenn ein Spieler seinen Körper auf eine bestimmte Weise bewegt, er auch einen schnellen Wurf machen muss.
- Experten sind wie effiziente Athleten; sie bewegen sich effizient und erzielen großartige Ergebnisse.
- Intermediäre bewegen ihren Körper vielleicht auf eine ähnliche Weise, aber ihnen fehlt das „Geheimrezept“ der Effizienz.
- Das Ergebnis: Der Roboter sah sich einen Intermediär an, sah die Bewegung und sagte: „Oh, das sieht nach einem Profi-Move aus! Das muss ein 90-mph-Pitch sein!“ Aber der Ball war tatsächlich nur 80 mph schnell. Der Roboter hat die Intermediäre überschätzt, weil er nicht erkannte, dass sie weniger effizient waren als die Profis in seinen Trainingsdaten.
3. Welche Körperteile waren die „Superhelden“?
Die Forscher versuchten herauszufinden, welche Körperteile dem Roboter halfen, bessere Schätzungen abzugeben. Sie deckten verschiedene Körperteile in den Videodaten ab, um zu sehen, was passierte.
- Die Helden: Der Rumpf (Torso) und das Pivot-Bein (das hintere Bein, das sich abstößt). Selbst wenn der Roboter nur auf den sehr Anfang des Pitches schaute (wenn der Pitcher beginnt, sein Gewicht zu verlagern), lieferte das Pivot-Bein ihm genug Hinweise, um eine ordentliche Schätzung abzugeben (eine Punktzahl über 0,25).
- Die Schwierigen: Die Arme (sowohl der Wurfarm als auch der führende Arm). Der Roboter konnte allein basierend auf den Armen nicht gut schätzen.
- Die Lektion: Es scheint, dass jeder Pitcher seinen eigenen einzigartigen Armstil hat, aber die Art und Weise, wie sie ihren Rumpf nutzen und sich vom Boden abstoßen, ist über verschiedene Menschen hinweg ähnlicher. Der Roboter lernte, dass „das Abstoßen vom Boden“ eine universelle Regel für Geschwindigkeit ist, während „wie man seinen Arm schwingt“ zu persönlich ist, um leicht zu verallgemeinern.
4. Die wichtigste Erkenntnis
Der Hauptpunkt dieses Papers ist eine Warnung an Sportwissenschaftler und Trainer: Vertrauen Sie einem Machine-Learning-Modell nicht einfach nur deshalb, weil es bei den Athleten, mit denen Sie es trainiert haben, großartig funktioniert.
Wenn Sie ein Modell bauen, um die Ballgeschwindigkeit unter Verwendung von Daten von 50 spezifischen Spielern vorherzusagen, kann es bei der Anwendung auf einen 51. Spieler völlig versagen. Das Paper zeigt, dass wir diese Werkzeuge, um sie im echten Leben nützlich zu machen, an neuen Menschen testen müssen, anstatt immer nur dieselben Menschen immer wieder zu testen.
Kurz gesagt: Der Roboter ist gut darin, Individuen auswendig zu lernen, aber er lernt immer noch, die allgemeine „Sprache“ der menschlichen Bewegung zu verstehen, insbesondere wenn es um die kniffligen Unterschiede zwischen einem Profi und einem Semi-Profi geht. Der Rumpf und das hintere Bein sind die zuverlässigsten Übersetzer in dieser Sprache.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.