Bayesian weighted discrete-time dynamic models for association football prediction
यह शोध पत्र एक बेयसियन भारित विविक्त-समय गतिशील मॉडलिंग ढांचे (Bayesian weighted discrete-time dynamic modeling framework) को प्रस्तुत करता है जो समय-परिवर्तनीय टीम क्षमताओं को लचीले ढंग से ट्रैक करने के लिए स्पाइक और स्लैब हाइपरप्रायर्स (spike and slab hyperpriors) के माध्यम से अनुकूली संकुचन (adaptive shrinkage) का उपयोग करता है, जो प्रमुख यूरोपीय फुटबॉल लीगों में मौजूदा विधियों की तुलना में बेहतर भविष्य कहनेवाला प्रदर्शन प्रदर्शित करता है और ओपन-सोर्स आर पैकेज `footBayes` में कार्यान्वित है।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
कल्पना कीजिए कि आप भविष्य की भविष्यवाणी करने की कोशिश कर रहे हैं, लेकिन क्रिस्टल बॉल देखने के बजाय, आप एक स्कोरबोर्ड देख रहे हैं। यह स्पोर्ट्स एनालिटिक्स की दुनिया है, एक ऐसा क्षेत्र जहाँ गणितज्ञ और सांख्यिकीविद् जासूसों की तरह काम करते हैं, यह समझने की कोशिश करते हैं कि कोई टीम क्यों जीतती या हारती है। लंबे समय तक, इन जासूसों ने एक सरल नियम का उपयोग किया: उन्होंने माना कि एक टीम का कौशल स्तर एक मूर्ति की तरह था—एक ही जगह स्थिर, कभी न बदलने वाला। यदि कोई टीम पिछले साल आक्रमण करने में अच्छी थी, तो मॉडलों ने माना कि वे आज भी आक्रमण करने में उतनी ही अच्छी हैं, इस तथ्य को नजरअंदाज करते हुए कि खिलाड़ी चोटिल हो जाते हैं, कोच निकाल दिए जाते हैं, या स्टार खिलाड़ी अन्य शहरों में ट्रेड हो जाते हैं। लेकिन वास्तविक दुनिया में, टीमें जीवित, सांस लेते जीवों की तरह हैं जो बढ़ते हैं, सिकुड़ते हैं और हर सप्ताह अपने विचार बदलते हैं। वैज्ञानिकों के लिए बड़ा सवाल यह है: हम एक ऐसा गणितीय मॉडल कैसे बना सकते हैं जो इन अचानक परिवर्तनों को पकड़ने के लिए पर्याप्त लचीला हो, बिना भ्रमित हुए?
यह शोध पत्र फुटबॉल (सॉकर) मैचों की भविष्यवाणी करने के लिए "बेयसियन वेटेड डायनेमिक मॉडल्स" (Bayesian weighted dynamic models) नामक एक पद्धति का उपयोग करते हुए एक चतुर नए तरीके को पेश करता है। इसे एक स्मार्ट, अनुकूलन योग्य स्मृति प्रणाली के रूप में सोचें। अतीत में, मॉडल या तो अतीत को पूरी तरह से भूल जाते थे या उसे बहुत सख्ती से याद रखते थे, पुराने डेटा के साथ वैसा ही व्यवहार करते थे जैसे वह बिल्कुल नया हो। लेखक, रोबर्टो मैकरी-डेमार्टिनो, लियोनार्डो एगिडी, और निकोला टोरेली, एक ऐसी प्रणाली का प्रस्ताव करते हैं जो "स्पाइक-एंड-स्लैब" (spike-and-slab) तर्क के साथ "कमेंसुरेट प्रायर्स" (commensurate priors) का उपयोग करती है। कल्पना कीजिए कि एक लाइब्रेरियन यह तय कर रहा है कि एक टीम के कौशल के बारे में एक पुरानी किताब पर कितना भरोसा किया जाए। यदि टीम ठीक वैसे ही खेल रही है जैसे वह पिछले महीने खेल रही थी, तो लाइब्रेरियन उस पुरानी किताब पर एक भारी "स्पाइक" (spike) लगाता है, यह कहते हुए, "इस पर पूरी तरह भरोसा करें!" लेकिन यदि टीम को एक नया कोच मिला है या उसका सबसे अच्छा स्ट्राइकर चला गया है, तो लाइब्रेरियन उस किताब को एक "स्लैब" (slab) पर खिसका देता है, यह कहते हुए, "यह पुरानी जानकारी शायद गलत है; आइए अभी जो हो रहा है उस पर ध्यान दें।" यह मॉडल को तब शक्ति उधार लेने की अनुमति देता है जब यह सुरक्षित हो, लेकिन चीजें बदलने पर तुरंत उस पुराने डेटा को छोड़ देता है।
शोधकर्ताओं ने तीन प्रमुख यूरोपीय लीगों: जर्मन बुंडेसलिगा, इंग्लिश प्रीमियर लीग और स्पेनिश ला लीगा के पिछले पांच सीज़न के डेटा का उपयोग करके इस विचार का छह अलग-अलग प्रकार के गणितीय मॉडलों पर परीक्षण किया। उन्होंने मध्य-सीज़न के परिवर्तनों, जैसे विंटर ट्रांसफर विंडो को पकड़ने के लिए प्रत्येक सीज़न को दो हिस्सों में विभाजित किया। जब उन्होंने अपने नए "वेटेड" दृष्टिकोण की तुलना पुराने तरीकों से की जो परिवर्तन की एक स्थिर दर मानकर चलते थे, तो परिणाम स्पष्ट थे। नया मॉडल लगातार मैचों के परिणामों की अधिक सटीकता से भविष्यवाणी करता था, विशेष रूप से सीज़न के अंतिम, उच्च-दबाव वाले दौरों में। उदाहरण के लिए, इंग्लिश प्रीमियर लीग में, उनके सबसे अच्छे मॉडल (एक स्केलम मॉडल) ने अंतिम दौर के लिए 0.545 का "ब्रियर स्कोर" (Brier score) प्राप्त किया, जबकि ला लीगा में, उनके सबसे अच्छे मॉडल (एक डायगोनल-इन्फ्लेटेड बाइवेरिएट पॉइसन) ने 0.462 का स्कोर हासिल किया। यहाँ कम स्कोर का अर्थ बेहतर भविष्यवाणी है।
पेपर ने यह भी देखा कि मॉडल विशिष्ट टीमों को कैसे ट्रैक करता है। इसने सफलतापूर्वक पहचाना कि कब बायर्न म्यूनिख जैसी टीम का पतन हुआ या कब मैनचेस्टर यूनाइटेड का आक्रमण कई वर्षों में कमजोर हुआ, और पुराने मॉडलों की तुलना में बहुत तेज़ी से अनुमानों को समायोजित किया। लेखकों ने पाया कि एक टीम के आक्रमण और रक्षात्मक कौशल को अलग-अलग "वेट" (weights) देने से, मॉडल उन स्थितियों को संभाल सकता है जहाँ एक टीम का आक्रमण तेजी से बदल सकता है जबकि उसकी रक्षा स्थिर रहती है, या इसके विपरीत। उन्होंने इस उपकरण को footBayes नामक एक मुफ्त सॉफ्टवेयर पैकेज के रूप में जनता के लिए भी उपलब्ध कराया। हालांकि यह पेपर सुझाव देता है कि यह दृष्टिकोण एक महत्वपूर्ण सुधार है, लेखक सावधानी बरतते हुए नोट करते हैं कि यह एक सिमुलेशन-आधारित निष्कर्ष है, और भविष्य के कार्य में भविष्यवाणियों को और भी सटीक बनाने के लिए खिलाड़ी की चोटों या बाजार मूल्यों जैसे और अधिक डेटा को शामिल किया जा सकता है। अंततः, यह शोध बताता है कि फुटबॉल टीम की क्षमता को एक स्थिर तथ्य के बजाय एक लचीली, बदलती कहानी के रूप में मानने से, अगले गेम को जीतने के बारे में बहुत बेहतर अनुमान लगाए जा सकते हैं।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।