Leakage-aware pre-match prediction of professional volleyball outcomes: temporal validation of machine-learning models against an Elo baseline
본 연구는 머신러닝 모델이 데이터 누수 및 시간적 제약에 대해 엄격하게 검증되었을 때 프로 배구 결과를 적절히 예측할 수 있는 반면, 단순한 엘로 레이팅(Elo rating) 베이스라인이 여전히 매우 경쟁력 있다는 점을 입증하며, 이는 복잡한 알고리즘이 경기 전 의사결정 지원을 위해 제공하는 추가적인 가치가 제한적임을 시사한다.
원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기
프로 스포츠 경기의 결과를 예측하는 것은 직관과 엄격한 데이터를 결합하는 작업이다. 경쟁적인 배구의 세계에서 팀들은 서브, 공격, 블로킹에서의 강점을 끊임없이 분석당한다. 수십 년 동안 연구자들은 왜 한 팀이 이기고 다른 팀은 졌는지를 이해하기 위해 경기 종료 후 수집된 통계들을 살펴보아 왔다. 그러나 경기가 끝나고 난 뒤의 결과를 설명하는 것과, 첫 공이 서브되기 전에 결과를 예측하는 것 사이에는 결정적인 차이가 있다. 경기에서 득점한 점수와 같은 통계는 일어난 일을 완벽하게 설명해주지만, 미래에 일어날 일을 예보하는 데는 사용될 수 없다. 왜냐하면 그 데이터는 경기가 끝나기 전까지는 존재하지 않기 때문이다. 진정한 예측은 경기가 시작되기 직전에 이용 가능한 정보, 즉 팀의 과거 성적, 최근 기세, 그리고 휴식 기간 등을 사용하는 것을 필요로 한다. 이러한 구분은 미래를 추측하기 위한 신뢰할 수 있는 모델을 구축하려는 누구에게나 매우 중요한데, 아직 알 수 없는 데이터를 미리 사용하는 것은 잘못된 정확성을 만들어내기 때문이다.
청두 체육 대학교의 리샤오펑(Xiaopeng Li)이 진행한 최근 연구는 폴란드의 최상위 리그인 플러스리가(PlusLiga)의 프로 배구 경기를 조사함으로써 이 과제를 다루었다. 연구의 목표는 경기 시작 전에 알 수 없는 어떤 정보도 사용하지 못하도록 엄격히 금지했을 때, 머신러닝 모델이 경기 승자를 얼마나 잘 예측할 수 있는지 확인하는 것이었다. 연구자는 수천 건의 경기 기록이 포함된 공개 데이터셋을 활용했으나, 첫 번째 단계는 컴퓨터 프로그램을 만드는 것이 아니라 데이터를 정제하는 것이었다. 자세히 살펴본 결과, 데이터셋의 초기 연도 기록들에는 팀이 시도한 총 서브 횟수보다 더 많은 '에이스'(상대방이 받아낼 수 없는 완벽한 서브)를 기록하는 것과 같은 불가능한 수치들이 포함되어 있었다. 이러한 오류들은 원래의 데이터 수집 규칙을 추측하지 않고서는 수정할 수 없었기에, 연구자는 2,000건 이상의 오래된 기록을 폐기하기로 하는 어려운 결정을 내렸다. 최종 분석은 데이터가 깨끗하고 신뢰할 수 있는 시기인 2020/21 시즌부터 2022/23 시즌까지의 628개 경기를 바탕으로 이루어졌다.
서로 다른 방법들의 예측력을 테스트하기 위해, 연구자는 이 깨끗한 데이터를 두 그룹으로 나누었다. 2020/21 및 2021/22 시즌을 포함하는 첫 번째 그룹은 다양한 컴퓨터 모델을 학습시키는 데 사용되었다. 두 번째 그룹인 2022/23 시즌의 경기들은 마지막 순간까지 완전히 숨겨져 있었다. 이 방식은 실생활을 모사한 것이다. 즉, 모델이 과거로부터 배우고, 그 후에 미래의 데이터로 테스트하여 실제로 작동하는지 확인하는 것이다. 연구는 단순한 통계적 방법부터 복잡한 신경망에 이르기까지 다섯 가지 유형의 머신러닝 알고리즘을 두 가지 기본적인 기준점(benchmark)과 비교했다. 한 가지 기준점은 단순히 과거에 팀들이 얼마나 자주 이겼는지에 기반해 추측하는 것이었고, 다른 하나는 팀의 강도 점수를 누가 어떻게 이겼는지에 따라 매 경기 업데이트하는 투명한 방식인 엘로(Elo) 레이팅 시스템을 사용하는 것이었다.
결과는 프로 배구를 예측하는 것이 가능하지만, 결코 완벽하지는 않다는 것을 보여주었다. 가장 성공적인 모델은 로지스틱 회귀(Logistic Regression)라고 불리는 단순한 통계적 방법이었으며, 이는 보이지 않는 미래 데이터에 대해 약 72%의 확률로 승자를 맞혔다. 이는 견고한 결과였지만, 획기적인 돌파구는 아니었다. 실제로, 복잡한 계산 없이 팀 간의 강도 차이만을 고려한 단순한 엘로 레이팅 시스템도 약 70%의 확률로 승자를 맞히며 거의 대등한 성능을 보였다. 데이터의 복잡한 패턴을 찾아내도록 설계된 더 복잡한 머신러닝 모델들은 단순한 방법들보다 유의미한 우위를 점하지 못했다. 어떤 경우에는 복잡한 모델들이 훈련 중에는 잘 작동하다가 새로운 경기에 직면했을 때 성공을 유지하지 못하며 오히려 덜 안정적인 모습을 보이기도 했다.
모델들이 실제로 결정을 내릴 때 무엇을 사용했는지에 대한 심층적인 분석은 놀라운 사실을 드러냈다. 압도적으로 중요한 요인은 팀들의 엘로 레이팅 차이였다. 모델들은 서브 정확도나 지난 5경기 동안 득점한 점수와 같이 팀의 최근 기세를 나타내는 14가지의 서로 다른 통계에 접근할 수 있었지만, 이러한 세부 사항들은 추가적인 가치를 거의 더해주지 못했다. 컴퓨터 모델들은 본질적으로 강한 팀이 이길 가능성이 높다는 단순한 사실에 의존했으며, 추가적인 기술적 데이터는 그 예측을 크게 바꾸지 못했다. 이는 팀의 최근 경기 기록에 담긴 정보가 이미 그 팀의 전반적인 강도 등급에 상당 부분 반영되어 있음을 시사한다. 또한 연구는 모델들이 승리 가능성의 순위를 매기는 데는 능숙했지만 완벽하지는 않았으며, 모든 예측에는 여전히 상당한 불확실성이 존재한다는 것을 발견했다.
연구는 프로 배구의 결과를 예측하는 것이 적절한 성공률과 함께 가능하지만, 이를 위해서는 어떤 정보를 허용할지에 대한 엄격한 규율이 필요하다고 결론짓는다. 본 연구는 더 복잡한 컴퓨터 알고리즘이 이 작업에 자동으로 더 나은 것은 아니라는 점을 명시적으로 주장한다. 대신, 명확하고 투명한 팀 강도 측정치가 종종 가장 강력한 도구가 될 수 있음을 보여준다. 연구 결과는 이러한 모델들을 경기 전 분석을 위한 조심스러운 보조 도구로 사용하는 것을 지지하며, 예를 들어 스카우트나 팬들이 맞붙게 될 경기의 난이도를 이해하는 데 도움을 줄 수 있다. 그러나 연구는 이 모델들이 경기 중 실시간 결정이나 구체적인 코칭 조언을 위해 사용되어서는 안 된다고 경고하는데, 이는 모델이 경기 중에 발생하는 역동적인 변화를 설명할 수 없기 때문이다. 더욱이, 결과는 이 특정 리그에 국한된 것이므로 추가적인 테스트 없이는 다른 스포츠나 다른 수준의 경쟁에 적용된다고 가정할 수 없다. 이 연구는 스포츠 예측에 있어, 자신이 무엇을 모르는지를 아는 것이 예측 그 자체만큼이나 중요하다는 사실을 상기시켜 준다.
연구 분야의 논문에 파묻히고 계신가요?
연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.