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

Sintesi Tecnica: Modellazione Predittiva degli Esiti delle Partite di Pallavolo Utilizzando Tecniche di Machine Learning e Analisi dei Dati

Problematica
La pallavolo è uno sport di squadra altamente tattico in cui gli esiti sono determinati da interazioni complesse e non lineari che coinvolgono i sei ruoli rotazionali, le tattiche specifiche dell'avversario e il momentum durante la partita. Sebbene l'analisi sportiva si sia spostata dalle statistiche descrittive alla modellazione predittiva in sport come il basket e il calcio, la pallavolo rimane sottorappresentata nella letteratura. I modelli di previsione esistenti per la pallavolo si basano spesso su statistiche tecniche grezze (numeri assoluti per set), che non riescono a tenere conto della qualità relativa degli avversari. Inoltre, vi è una mancanza di protocolli standardizzati e riproducibili per la generazione di dati sintetici sulla pallavolo e la necessità di valutazioni comparative di molteplici algoritmi di machine learning sotto condizioni sperimentali uniformi. Questo studio affronta tali lacune sviluppando una pipeline di machine learning che utilizza sia dati sintetici generati che dati reali di partite professionistiche per prevedere gli esiti delle partite con alta precisione.

Metodologia
La ricerca ha impiegato una strategia di dati a due binari:

1. Generazione di Dati Sintetici: Un dataset di 800 partite simulate è stato creato utilizzando un framework di simulazione multistadio ancorato a distribuzioni empiriche tratte dalla letteratura pubblicata sulla pallavolo (ad es., Drikos et al., Palao e Ahrabi-Fard, Costa et al.). Ogni partita è stata generata probabilisticamente sulla base di fattori latenti di qualità della squadra e differenziali di prestazione ponderati.
2. Validazione nel Mondo Reale: I modelli sono stati testati su 626 partite reali della PlusLiga polacca (2010–2022), provenienti da un repository pubblico di Kaggle.

Ingegneria delle Caratteristiche (Feature Engineering)
Una componente critica della metodologia è stata la trasformazione delle statistiche grezze in 14 caratteristiche ingegnerizzate. Gli autori sono andati oltre le metriche assolute per concentrarsi su caratteristiche differenziali e composite per normalizzare la prestazione rispetto all'avversario:

• Metriche Differenziali: Calcolate come la differenza tra la prestazione della squadra di casa e quella della squadra ospite (ad es., Differenziale di Efficienza di Attacco, Differenziale di Precisione della Battuta, Differenziale OPI, Differenziale di Break-Point).
• Indici Composti: L'Indice di Prestazione Offensiva (OPI) e l'Indice di Prestazione Difensiva (DPI) sono stati costruiti per aggregare sottodimensioni correlate (ad es., l'OPI combina l'efficienza di attacco, la precisione della battuta e il momentum).
• Altre Caratteristiche: Includevano l'entropia della distribuzione del palleggiatore, l'efficienza della rotazione e la lunghezza dello scambio.

Pipeline di Machine Learning
Quattro algoritmi di classificazione sono stati addestrati e valutati utilizzando Python (scikit-learn, pandas, NumPy):

1. Regressione Logistica (regolarizzata L2)
2. Random Forest (200 alberi)
3. Gradient Boosting (200 stimatori)
4. Rete Neurale Multi-Layer Perceptron (MLP)

La pipeline includeva la normalizzazione Z-score, divisioni train-test stratificate 80/20 e validazione incrociata a cinque pieghe (five-fold cross-validation). L'importanza delle caratteristiche è stata valutata utilizzando sia l'impurità di Gini che l'importanza di permutazione.

Risultati Chiave

• Prestazioni del Modello: Sul set di test reale della PlusLiga (126 partite), Gradient Boosting e Random Forest hanno raggiunto la massima accuratezza di 0,9365. I loro punteggi F1 sono rispettivamente 0,9333 e 0,9322. Tutti e quattro i modelli hanno ottenuto punteggi AUC-ROC superiori a 0,985, indicando un'eccellente validità discriminativa.
• Sintetico vs Reale: I modelli hanno performato in modo coerente sia sui dataset sintetici che su quelli reali, convalidando la generalizzabilità dell'approccio di feature engineering. La generazione di dati sintetici ha rispecchiato con successo le realtà competitive, con i tassi di vittoria in casa che si stabilizzavano intorno a 0,51.
• Importanza delle Caratteristiche:
  • Nel dataset sintetico, il Differenziale di Efficienza di Attacco è stata la caratteristica più importante (importanza Gini: 0,2483), seguita dal Differenziale di Precisione della Battuta e dal Differenziale di Momentum.
  • Nel dataset reale della PlusLiga, il Differenziale OPI (0,2685) e il Differenziale di Break-Point (0,2264) sono emersi come i principali predittori, seguiti dal Differenziale di Efficienza di Attacco.
  • Significativamente, l'Entropia della Distribuzione del Palleggiatore non è apparsa tra le prime 10 caratteristiche, suggerendo che i differenziali di efficienza diretta mediano il valore predittivo dell'entropia in questo contesto.

Significatività e Rivendicazioni
Il documento rivendica tre contributi primari:

1. Protocollo di Dati Sintetici: La creazione di un dataset sintetico riproducibile che rappresenta gli esiti della pallavolo professionistica, che può servire come benchmark per futuri test algoritmici.
2. Valutazione Comparativa degli Algoritmi: Un confronto rigoroso di quattro distinti algoritmi di ML sotto condizioni identiche, dimostrando che i metodi ensemble (Gradient Boosting, Random Forest) e persino i modelli lineari (Regressione Logistica) possono raggiungere un'accuratezza superiore (circa il 93,6%) rispetto ai precedenti studi sulla pallavolo (che variavano dal 71% all'83%).
3. Applicazione Pratica: L'identificazione di set di caratteristiche specifici (Differenziale OPI, Differenziale di Break-Point) che possono informare le strategie di coaching. Gli autori suggeriscono che la Regressione Logistica sia un'alternativa valida e computazionalmente efficiente ai modelli ensemble per l'implementazione in tempo reale, grazie alla sua accuratezza comparabile e interpretabilità.

Lo studio postula che l'alta accuratezza raggiunta convalidi l'approccio del "Generative Statistical Sandbox", suggerendo che le dinamiche sottostanti della pallavolo professionistica possono essere efficacemente catturate attraverso l'ingegneria delle caratteristiche differenziali. Tuttavia, gli autori riconoscono i limiti, tra cui la natura binaria della previsione (vittoria/sconfitta rispetto al margine di punteggio), l'esclusione di fattori non stazionari come la stanchezza o le decisioni arbitrali, e il potenziale di overfitting nelle reti neurali su dataset tabulari più piccoli. Il lavoro futuro è proposto per testare la generalizzabilità in altre leghe e integrare i dati di telemetria in tempo reale.