Research on Predictive Modelling of Volleyball Game Outcomes Using Machine Learning Techniques and Data Analytics

Resumen Técnico: Modelado Predictivo de Resultados de Partidos de Voleibol Mediante Técnicas de Aprendizaje Automático y Analítica de Datos

Planteamiento del Problema
El voleibol es un deporte de equipo altamente táctico donde los resultados se determinan por interacciones complejas y no lineales que involucran seis posiciones rotacionales, tácticas específicas del oponente y el impulso (momentum) durante el juego. Si bien la analítica deportiva ha pasado de la estadística descriptiva al modelado predictivo en deportes como el baloncesto y el fútbol, el voleibol permanece subrepresentado en la literatura. Los modelos de predicción de voleibol existentes suelen depender de estadísticas técnicas brutas (números absolutos por set), las cuales no logran dar cuenta de la calidad relativa de los oponentes. Además, existe una falta de protocolos estandarizados y reproducibles para generar datos sintéticos de voleibol y una necesidad de evaluaciones comparativas de múltiples algoritmos de aprendizaje automático bajo condiciones experimentales uniformes. Este estudio aborda estas brechas mediante el desarrollo de un flujo de trabajo (pipeline) de aprendizaje automático que utiliza tanto datos sintéticos generados como datos de partidos profesionales reales para predecir los resultados de los encuentros con alta precisión.

Metodología
La investigación empleó una estrategia de datos de dos vertientes:

1. Generación de Datos Sintéticos: Se creó un conjunto de datos de 800 partidos profesionales simulados utilizando un marco de simulación de múltiples etapas anclado en distribuciones empíricas de la literatura publicada de voleibol (p. ej., Drikos et al., Palao y Ahrabi-Fard, Costa et al.). Cada partido fue generado probabilísticamente basándose en factores latentes de calidad de los equipos y diferencias de rendimiento ponderadas.
2. Validación con el Mundo Real: Los modelos fueron probados en 626 partidos reales de la PlusLiga polaca (2010–2022), obtenidos de un repositorio público de Kaggle.

Ingeniería de Características (Feature Engineering)
Un componente crítico de la metodología fue la transformación de las estadísticas brutas en 14 características diseñadas (engineered features). Los autores fueron más allá de las métricas absolutas para centrarse en características diferenciales y compuestas para normalizar el rendimiento en relación con el oponente:

• Métricas Diferenciales: Calculadas como la diferencia entre el rendimiento del equipo local y el visitante (p. ej., Diferencial de Eficiencia de Ataque, Diferencial de Precisión de Saque, Diferencial de OPI, Diferencial de Puntos de Ruptura).
• Índices Compuestos: El Índice de Rendimiento Ofensivo (OPI) y el Índice de Rendimiento Defensivo (DPI) se construyeron para agregar subdimensiones correlacionadas (p. ej., el OPI combina la eficiencia de ataque, la precisión del saque y el impulso).
• Otras Características: Incluyeron la entropía de distribución del colocador, la eficiencia de rotación y la longitud del rally.

Flujo de Trabajo de Aprendizaje Automático (Machine Learning Pipeline)
Se entrenaron y evaluaron cuatro algoritmos de clasificación utilizando Python (scikit-learn, pandas, NumPy):

1. Regresión Logística (regularizada L2)
2. Bosque Aleatorio (Random Forest) (200 árboles)
3. Potenciación de Gradiente (Gradient Boosting) (200 estimadores)
4. Red Neuronal de Perceptrón Multicapa (MLP)

El flujo de trabajo incluyó normalización Z-score, divisiones de entrenamiento/prueba estratificadas de 8:2 y validación cruzada de cinco pliegues (five-fold cross-validation). La importancia de las características se evaluó mediante la impureza de Gini y la importancia de permutación.

Resultados Clave

• Rendimiento de los Modelos: En el conjunto de prueba real de la PlusLiga (126 partidos), el Gradient Boosting y el Random Forest alcanzaron la mayor precisión de 0.9365. Sus puntuaciones F1 fueron 0.9333 y 0.9322, respectivamente. Los cuatro modelos lograron puntuaciones AUC-ROC superiores a 0.985, lo que indica una excelente validez discriminativa.
• Sintético vs. Real: Los modelos se desempeñaron de manera consistente tanto en los conjuntos de datos sintéticos como en los reales, validando la generalizabilidad del enfoque de ingeniería de características. La generación de datos sintéticos reflejó con éxito las realidades competitivas, con tasas de victoria locales estabilizándose alrededor de 0.51.
• Importancia de las Características:
  • En el conjunto de datos sintéticos, el Diferencial de Eficiencia de Ataque fue la característica más importante (importancia de Gini: 0.2483), seguida por el Diferencial de Precisión de Saque y el Diferencial de Impulso.
  • En el conjunto de datos reales de la PlusLiga, el Diferencial de OPI (0.2685) y el Diferencial de Puntos de Ruptura (0.2264) surgieron como los principales predictores, seguidos por el Diferencial de Eficiencia de Ataque.
  • Notablemente, la Entropía de Distribución del Colocador no se ubicó entre las 10 principales características, lo que sugiere que los diferenciales de eficiencia directa median el valor predictivo de la entropía en este contexto.

Significancia y Reivindicaciones
El artículo reivindica tres contribuciones primarias:

1. Protocolo de Datos Sintéticos: La creación de un conjunto de datos sintéticos reproducible que representa los resultados del voleibol profesional, el cual puede servir como punto de referencia para futuras pruebas de algoritmos.
2. Evaluación Algorítmica Comparativa: Una comparación rigurosa de cuatro algoritmos distintos bajo condiciones idénticas, demostrando que los métodos de ensamble (Gradient Boosting, Random Forest) e incluso los modelos lineales (Regresión Logística) pueden lograr una precisión superior (aprox. 93.6%) en comparación con estudios previos de voleibol (que oscilaban entre el 71% y el 83%).
3. Aplicación Práctica: La identificación de conjuntos de características específicos (Diferencial de OPI, Diferencial de Puntos de Ruptura) que pueden informar las estrategias de entrenamiento. Los autores sugieren que la Regresión Logística es una alternativa viable y computacionalmente eficiente a los modelos de ensamble para el despliegue en tiempo real debido a su precisión comparable e interpretabilidad.

El estudio postula que la alta precisión alcanzada valida el enfoque de "Sandbox Estadístico Generativo", sugiriendo que la mecánica subyacente del voleibol profesional puede capturarse eficazmente a través de la ingeniería de características diferenciales. Sin embargo, los autores reconocen limitaciones, incluyendo la naturaleza binaria de la predicción (victoria/derrota frente a margen de puntuación), la exclusión de factores no estacionarios como la fatiga o las decisiones arbitrales, y el potencial de sobreajuste (overfitting) en redes neuronales con conjuntos de datos tabulares pequeños. Se propone como trabajo futuro probar la generalizabilidad en otras ligas e integrar datos de telemetría en vivo.