NCAA Bracket Prediction Using Machine Learning and Combinatorial Fusion Analysis

Questo articolo presenta un nuovo approccio per la previsione dei risultati del torneo NCAA 2024 basato sull'Analisi di Fusione Combinatoria (CFA), che combina diversi sistemi di punteggio per ottenere un'accuratezza del 74,60%, superando così le migliori dieci classifiche pubbliche esistenti.

L'essenziale

🏀 Prevedere la "Follia di Marzo": Come un'Intelligenza Artificiale ha vinto la sfida delle scommesse

Immaginate il NCAA Tournament (la famosa "March Madness" del basket americano) come un gigantesco torneo di scacchi, ma invece di pezzi di legno, abbiamo 68 squadre di college che si sfidano in un'arena caotica e imprevedibile. Ogni anno, milioni di persone cercano di indovinare chi vincerà, riempiendo schede di pronostici (i "bracket"). Il problema? È quasi impossibile prevedere tutto. Le squadre "sottovalutate" (le Cinderella) vincono, gli esperti sbagliano e la fortuna gioca un ruolo enorme.

Gli autori di questo studio, un gruppo di ricercatori della Fordham University, hanno detto: "Basta affidarsi solo all'istinto o a un singolo modello matematico. Proviamo a fare una cosa diversa: uniamo le forze!"

Ecco come hanno fatto, spiegato con parole semplici.

1. Il Concetto: La "Squadra di Esperti" (Ensemble Learning)

Immaginate di dover scegliere il miglior ristorante della città.

• L'approccio vecchio: Chiedete a un solo amico esperto di cucina. Se lui sbaglia, voi sbagliate.
• L'approccio di questo studio: Chiedete a 5 amici diversi (ognuno con un gusto diverso) di fare una lista dei loro ristoranti preferiti. Poi, invece di scegliere a caso, usate un metodo speciale per unire le loro liste in una "Super Lista" definitiva.

Nel mondo dell'informatica, questi "amici" sono 5 modelli di Machine Learning (Logistic Regression, SVM, Random Forest, XGBoost e una Rete Neurale). Ognuno guarda i dati in modo diverso: uno è bravo a vedere le statistiche offensive, un altro a capire la difesa, un altro ancora a cogliere le tendenze nascoste.

2. La Magia: L'Analisi Combinatoria (CFA)

Qui entra in gioco la parte geniale dello studio, chiamata Combinatorial Fusion Analysis (CFA).
Immaginate che ogni modello non vi dia solo un numero (es. "La squadra A ha il 60% di probabilità di vincere"), ma vi dia anche un punteggio di classifica (es. "La squadra A è la 3ª migliore in assoluto").

I ricercatori hanno usato due metodi per unire le opinioni dei 5 esperti:

• Unione dei Punteggi (Score Combination): Come fare la media dei voti dati da 5 professori.
• Unione delle Classifiche (Rank Combination): Come prendere la lista dei 5 professori, mescolarla e vedere chi viene in cima alla classifica finale.

3. La "Diversità Cognitiva": Perché non tutti pensano uguale

Perché unire 5 modelli che pensano tutti allo stesso modo non serve a nulla? Sarebbe come avere 5 persone che guardano lo stesso angolo di un dipinto e dire che è tutto rosso.
Il segreto di questo studio è la Diversità Cognitiva. I ricercatori hanno misurato quanto i loro 5 "esperti" fossero diversi tra loro.

• Se due modelli sono molto simili, si aiutano poco.
• Se due modelli sono molto diversi (uno guarda la difesa, l'altro l'attacco), quando si uniscono si coprono i rispettivi punti ciechi.

Hanno scoperto che unendo tre modelli specifici (Logistic Regression, SVM e una Rete Neurale) che avevano una "diversità cognitiva" perfetta, ottenevano risultati miracolosi.

4. Il Risultato: Hanno battuto gli esperti umani?

Sì! Hanno testato il loro sistema sui dati del 2024 (il torneo di quest'anno).

• I 10 migliori sistemi di ranking pubblici (quelli usati dai siti di scommesse famosi) avevano una precisione media del 73,02%.
• Il loro sistema, basato sull'unione delle classifiche (Rank Combination), ha raggiunto il 74,60%.

Sembra una differenza piccola (poco più dell'1%), ma nel mondo delle scommesse sportive e delle previsioni, è come passare dal vincere una moneta al vincere un jackpot. È un salto di qualità enorme.

5. La Metafora Finale: Il Coro vs. Il Solista

In sintesi, questo paper ci insegna che:

Non serve avere il "Solista" perfetto (il modello singolo più forte). Serve avere un "Coro" ben armonizzato.

Se fate cantare insieme 5 voci diverse, ognuna con il suo timbro unico, e le dirigete con la giusta tecnica (l'Analisi Combinatoria), otterrete un'armonia (una previsione) molto più potente e precisa di quella di qualsiasi singolo cantante, per quanto bravo sia.

In conclusione: Gli autori hanno dimostrato che, trattando le previsioni sportive non come un semplice calcolo matematico, ma come un gioco di classifiche e diversità di pensiero, si può battere anche il sistema migliore che esiste oggi. È la prova che, a volte, la somma delle parti è davvero maggiore del tutto.

Sommario tecnico

Ecco un riassunto tecnico dettagliato del paper "NCAA Bracket Prediction Using Machine Learning and Combinatorial Fusion Analysis", presentato al congresso IEEE CyberSciTech 2024.

1. Problema e Contesto

La previsione degli esiti del torneo NCAA di basket maschile (noto come "March Madness") è una sfida complessa a causa della natura intrinsecamente imprevedibile dello sport, influenzata da fattori come infortuni, chimica di squadra, strategie e variabili esterne. Sebbene l'intelligenza artificiale e l'apprendimento automatico (ML) siano stati ampiamente utilizzati per trattare questo problema come un compito di classificazione binaria (vincitore/perdente), la letteratura esistente mostra limiti nell'affidabilità delle previsioni, specialmente quando si confrontano con sistemi di ranking pubblici consolidati. L'obiettivo di questo studio è migliorare l'accuratezza predittiva non solo attraverso modelli ML tradizionali, ma adottando una nuova prospettiva che integra l'analisi combinatoria e la diversità cognitiva.

2. Metodologia

Il cuore della metodologia proposta è l'uso dell'Analisi di Fusione Combinatoria (Combinatorial Fusion Analysis - CFA), un paradigma sviluppato da Hsu e collaboratori che combina più sistemi di punteggio utilizzando funzioni di caratteristica punteggio-rank (RSC) e diversità cognitiva (CD).

A. Raccolta e Preprocessing dei Dati

• Dataset: I dati coprono le stagioni regolari e i tornei dal 2001 al 2022 (escluso il 2020 per la pandemia), integrati con statistiche avanzate da "KenPom".
• Feature Engineering: Invece di utilizzare le statistiche assolute delle singole squadre, il modello calcola le differenze tra le feature della Squadra 1 e della Squadra 2 per ogni partita.
• Selezione delle Feature: È stato utilizzato un algoritmo Random Forest per la selezione delle feature, seguito da Recursive Feature Elimination with Cross-Validation (RFECV). Questo processo ha ridotto le feature originali da 44 a 26 variabili ottimali, focalizzandosi su: efficienza offensiva, efficienza difensiva, forza dell'avversario (strength of schedule) e "fortuna" (luck).

B. Modelli Base (Ensemble)

Sono stati addestrati cinque modelli base diversi per garantire la diversità necessaria alla fusione:

1. Regressione Logistica (A): Con regolarizzazione L1/L2.
2. Support Vector Machine (SVM) (B): Con funzioni kernel ottimizzate.
3. Random Forest (C): Ensemble di alberi decisionali.
4. XGBoost (D): Gradient boosting sequenziale.
5. Convolutional Neural Network (CNN) (E): Rete neurale profonda ottimizzata con Adam e funzione di perdita cross-entropy.

C. Framework CFA e Fusione

Il framework CFA combina questi modelli in due spazi distinti: lo spazio dei punteggi (score space) e lo spazio dei ranghi (rank space).

• Diversità Cognitiva (CD): Misura la dissimilarità tra due sistemi di punteggio basandosi sulle loro funzioni RSC, indipendentemente dai dati specifici. Questo permette di pesare i modelli in base alla loro unicità cognitiva.
• Strategie di Combinazione: Sono state esplorate tre modalità di aggregazione:
  1. Combinazione Media (Average Combination - AC).
  2. Combinazione Pesata per la Performance (WCP).
  3. Combinazione Pesata per la Diversità Cognitiva (WCDS).
• Selezione del Modello: Analizzando i dati degli ultimi 10 anni, gli autori hanno identificato che la combinazione dei modelli Logistica (A), SVM (B) e CNN (E), denominata ensemble "ABE", ha mostrato la maggiore frequenza di miglioramento rispetto ai modelli singoli. Questo ensemble è stato utilizzato per le previsioni finali.

D. Approccio di Ranking vs. Classificazione

A differenza dei metodi tradizionali che prevedono solo il vincitore, questo studio tratta il problema anche come un problema di ranking:

• Game Ranking: Assegna un grado di confidenza a ogni partita.
• Team Ranking: Calcola la media dei ranghi di ogni squadra su tutte le sue partite previste. Una squadra è considerata vincitrice se il suo rango è superiore a quello dell'avversario.

3. Risultati

Il modello è stato testato sui dati del 2024 (previsioni per il torneo in corso al momento della pubblicazione).

• Accuratezza del Ranking di Squadra (Rank Combination): L'ensemble "ABE" combinato tramite fusione di ranghi ha raggiunto un'accuratezza del 74,60%.
• Confronto con Sistemi Esistenti: Questo risultato supera il miglior sistema di ranking pubblico tra i 10 più popolari analizzati (NET Rankings e Logan), che hanno raggiunto un'accuratezza del 73,02%. Il miglioramento è di 1,58 punti percentuali.
• Accuratezza del Ranking di Squadra (Score Combination): La combinazione basata sui punteggi ha raggiunto il 71,43%, superando comunque la metà dei sistemi pubblici di riferimento.
• Analisi della Diversità: L'analisi delle funzioni RSC ha confermato che modelli con alta diversità cognitiva (es. SVM e Logistica rispetto a Random Forest) contribuiscono maggiormente al successo dell'ensemble.

4. Contributi Chiave

1. Nuova Prospettiva Predittiva: Spostamento dalla pura classificazione binaria a un approccio ibrido che integra ranking e punteggi, sfruttando la struttura gerarchica dei dati sportivi.
2. Applicazione della CFA nello Sport: Dimostrazione pratica dell'efficacia dell'Analisi di Fusione Combinatoria e della Diversità Cognitiva nel dominio sportivo, un campo dove queste tecniche sono state finora poco esplorate rispetto alla bioinformatica o al recupero delle informazioni.
3. Robustezza Temporale: Il metodo di selezione del modello basato sull'analisi storica decennale (10 anni) invece che sulla sola ottimizzazione su un singolo anno, garantisce una maggiore generalizzazione per i dati futuri.
4. Superamento degli Standard: Il modello proposto ha battuto i sistemi di ranking pubblici più affidabili, dimostrando che la fusione intelligente di modelli eterogenei può superare le metriche tradizionali.

5. Significato e Implicazioni

Questo lavoro è significativo perché sfida la visione convenzionale della previsione sportiva come semplice problema di classificazione. Dimostrando che l'integrazione di diversità cognitiva e fusione di ranghi porta a risultati superiori, il paper offre un nuovo framework metodologico per l'analisi predittiva in ambiti complessi e dinamici.
L'approccio suggerisce che la "diversità" tra i modelli (non solo la loro accuratezza individuale) è un fattore critico per il successo degli ensemble. Inoltre, la capacità del modello di funzionare bene senza dati futuri (prevedendo il 2024 basandosi solo su dati storici fino al 2022) ne conferma la robustezza e l'utilità potenziale per scommesse sportive, analisi tattiche e gestione del rischio in contesti competitivi.