NCAA Bracket Prediction Using Machine Learning and Combinatorial Fusion Analysis

Este artigo apresenta uma nova abordagem para prever o resultado do torneio NCAA de 2024 utilizando a Análise de Fusão Combinatória (CFA) para combinar múltiplos sistemas de pontuação, alcançando uma precisão de 74,60% que supera os dez melhores sistemas de classificação públicos existentes.

O essencial

Imagine que o "March Madness" (a grande competição de basquete universitário dos EUA) é como um gigantesco quebra-cabeça de 68 peças, onde o objetivo é adivinhar qual time vai vencer em cada jogo. O problema é que o basquete é imprevisível: um time favorito pode perder para um "zebra" (um time menos conhecido) a qualquer momento, seja por lesões, sorte ou simplesmente porque o dia não foi o deles.

Este artigo é a história de como uma equipe de pesquisadores da Universidade Fordham tentou resolver esse quebra-cabeça usando uma mistura de inteligência artificial e uma técnica matemática chamada Análise de Fusão Combinatória (CFA).

Aqui está a explicação, passo a passo, usando analogias do dia a dia:

1. O Problema: A "Bola de Cristal" Falha

Normalmente, as pessoas tentam prever o vencedor usando estatísticas simples (quem tem mais pontos, quem é o melhor time) ou modelos de computador que funcionam como uma "bola de cristal" única. Mas a bola de cristal de um só modelo muitas vezes erra, porque o esporte é complexo.

2. A Solução: O "Comitê de Especialistas"

Em vez de confiar em um único modelo de computador, os autores criaram um comitê de cinco especialistas (modelos de aprendizado de máquina diferentes):

• Um especialista em regressão logística (bom em encontrar padrões lineares).
• Um especialista em Máquinas de Vetores de Suporte (SVM).
• Uma "Floresta" de árvores de decisão (Random Forest).
• Um especialista em "Boosting" (XGBoost).
• Uma Rede Neural (CNN), que é como um cérebro artificial profundo.

Cada um desses "especialistas" olha para os dados de uma maneira diferente. Às vezes, um acerta onde o outro erra.

3. A Magia: A "Fusão Combinatória" (CFA)

Aqui entra a parte mais criativa do artigo. Eles não apenas somaram as previsões dos cinco especialistas. Eles usaram uma técnica chamada Análise de Fusão Combinatória.

Pense nisso como uma reunião de conselheiros:

• A Diversidade Cognitiva: O segredo não é ter cinco pessoas que pensam exatamente igual. É ter pessoas que pensam de formas diferentes. A técnica mede o quanto os especialistas são "diversos" em sua opinião. Se dois especialistas concordam demais, eles são redundantes. Se eles discordam de forma inteligente, eles se complementam.
• A Fusão: Eles combinaram as previsões de duas formas:
  1. Fusão de Pontuação: Juntando os "números de confiança" de cada especialista.
  2. Fusão de Classificação (Ranking): Olhando apenas a ordem de preferência (quem o especialista 1 acha melhor, quem o especialista 2 acha melhor, etc.), ignorando os números exatos.

4. O Treinamento: Aprendendo com o Passado

Para saber qual combinação de especialistas funcionaria melhor em 2024, eles olharam para os dados dos últimos 10 anos. Foi como se eles dissessem: "Vamos ver, nos últimos 10 anos, qual grupo de especialistas acertou mais vezes?"

Eles descobriram que a combinação de três modelos específicos (Logística, SVM e Rede Neural) era a "equipe dos sonhos" que mais frequentemente superava os outros.

5. O Resultado: Vencendo os Gigantes

Quando aplicaram essa "equipe dos sonhos" combinada com a técnica de fusão de classificação (Ranking) aos dados de 2024, o resultado foi impressionante:

• Precisão do Modelo: 74,60% de acerto.
• Melhor Sistema Público: O melhor sistema de ranking público disponível (como o da ESPN ou da NCAA) teve 73,02%.

Isso significa que o modelo deles foi 1,58% mais preciso que os melhores sistemas que o público geral usa. Em um jogo de azar como o basquete, essa pequena diferença é enorme.

Resumo em uma Frase

Os pesquisadores não tentaram criar um único "gênio" artificial para prever o basquete; em vez disso, eles criaram um conselho de cinco gênios diferentes, mediram quão diferentes eram suas opiniões (diversidade cognitiva) e fundiram essas opiniões de uma maneira matemática inteligente, conseguindo prever os resultados com mais precisão do que qualquer sistema público atual.

É como se, em vez de confiar na opinião de um único comentarista esportivo, você consultasse cinco especialistas diferentes, ponderasse suas opiniões baseadas em quão únicos eles são, e chegasse a uma conclusão muito mais segura sobre quem vai ganhar o jogo.

Resumo técnico

Aqui está um resumo técnico detalhado do artigo "NCAA Bracket Prediction Using Machine Learning and Combinatorial Fusion Analysis", traduzido e adaptado para o português:

Resumo Técnico: Previsão de Bracket da NCAA usando Aprendizado de Máquina e Análise de Fusão Combinatória

1. Problema e Contexto

A previsão dos resultados do Torneio de Basquete Masculino da NCAA (conhecido como "March Madness") é um desafio complexo devido à natureza imprevisível do esporte, influenciada por fatores como lesões, química da equipe, estratégias de treinamento e variáveis externas. Embora modelos de aprendizado de máquina tenham sido aplicados com sucesso, a maioria trata o problema estritamente como uma tarefa de classificação (prever o vencedor de um jogo específico).

O artigo identifica uma lacuna na abordagem tradicional: a subutilização de informações de ranking (ordenação) e a necessidade de combinar múltiplos sistemas de pontuação de forma mais sofisticada do que as médias simples ou votação majoritária. O objetivo é superar a precisão dos melhores sistemas de ranking públicos existentes (que atingem cerca de 73% de acurácia) utilizando uma nova perspectiva de análise de dados esportivos.

2. Metodologia

A proposta central do artigo é o uso da Análise de Fusão Combinatória (CFA - Combinatorial Fusion Analysis), um paradigma que combina múltiplos sistemas de pontuação utilizando funções de característica de pontuação-rank (RSC) e diversidade cognitiva (CD).

A. Coleta e Pré-processamento de Dados:

• Dados: Utilização de dados históricos de torneios de 2001 a 2022 (excluindo 2020) e estatísticas do site "KenPom".
• Engenharia de Atributos: Cálculo das diferenças entre as estatísticas das duas equipes em cada jogo (ex: eficiência ofensiva da Equipe 1 menos a da Equipe 2).
• Seleção de Atributos: Uso do algoritmo Recursive Feature Elimination with Cross-Validation (RFECV) baseado em Log Loss para reduzir 44 atributos originais para um subconjunto ótimo de 26 atributos.

B. Modelos Base:
Foram treinados cinco modelos de aprendizado de máquina distintos para atuar como "base learners" (aprendizes base):

1. Regressão Logística (A): Com regularização L1/L2.
2. Máquinas de Vetor de Suporte (SVM) (B): Com busca de kernel ótimo.
3. Floresta Aleatória (Random Forest) (C).
4. XGBoost (D): Algoritmo de gradiente boostado com regularização.
5. Rede Neural Convolucional (CNN) (E): Otimizada com Adam e função de perda de entropia cruzada.

C. Framework de Fusão Combinatória (CFA):
O framework CFA não combina apenas as previsões finais, mas integra os modelos em dois espaços:

1. Espaço de Pontuação (Score Combination): Combina as probabilidades ou valores numéricos brutos.
2. Espaço de Ranking (Rank Combination): Combina as ordens (ranks) derivadas das pontuações.

Mecanismos de Combinação:
O estudo explora três métodos de agregação para gerar ensembles (conjuntos de modelos):

• Combinação Média (AC): Média simples das previsões.
• Combinação Ponderada por Desempenho (WCP): Ponderada pela acurácia histórica do modelo.
• Combinação Ponderada por Força de Diversidade (WCDS): Ponderada pela Diversidade Cognitiva (CD). A CD mede a dissimilaridade entre as funções RSC de dois sistemas, capturando a complementaridade dos modelos independentemente dos dados brutos.

Seleção do Modelo Final:
Para prever os dados de 2024 (que ainda não haviam ocorrido no momento da pesquisa), os autores analisaram o desempenho dos ensembles nos últimos 10 anos. O ensemble "ABE" (Regressão Logística + SVM + CNN) foi selecionado por apresentar a maior frequência de melhoria de desempenho ao longo da década, especialmente quando combinado via Rank Combination com ponderação por Diversidade Cognitiva.

3. Resultados

O estudo comparou o desempenho do modelo proposto contra 10 sistemas de ranking públicos populares (como NET Rankings, KenPom, ESPN SOR, etc.).

• Acurácia do Modelo Proposto (Rank Combination): O ensemble "ABE" utilizando combinação de ranking alcançou uma taxa de acurácia de 74,60%.
• Comparação com o Estado da Arte: O melhor sistema público da lista (NET Rankings e Logan) atingiu 73,02%.
• Melhoria: O modelo proposto superou o melhor sistema público existente em 1,58 pontos percentuais.
• Desempenho da Combinação de Pontuação (Score Combination): O mesmo ensemble, mas usando combinação de pontuação, atingiu 71,43%, superando metade dos sistemas públicos, mas ficando abaixo da abordagem baseada em ranking.

4. Contribuições Chave

1. Nova Perspectiva de Ranking: Demonstra que tratar a previsão esportiva como um problema de ranking (ordenar a confiança de vitória) em vez de apenas classificação binária, dentro do framework CFA, gera resultados superiores.
2. Aplicação de Diversidade Cognitiva: Validação prática da Diversidade Cognitiva como uma métrica eficaz para ponderar ensembles, superando métodos tradicionais de correlação (como Pearson ou Spearman) ao focar na dissimilaridade das funções de característica de ranking (RSC).
3. Robustez Temporal: A metodologia de selecionar o ensemble com base no desempenho histórico de 10 anos (em vez de apenas validação cruzada em um único ano) provou ser eficaz para prever dados futuros (2024).
4. Framework Híbrido: Integração bem-sucedida de modelos heterogêneos (desde regressão linear até redes neurais profundas) em um único pipeline de fusão.

5. Significado e Conclusão

O artigo demonstra que a fusão de múltiplos modelos de aprendizado de máquina, quando guiada pela Análise de Fusão Combinatória e pela Diversidade Cognitiva, pode extrair padrões complexos que modelos individuais ou métodos de combinação tradicionais (como média simples) não conseguem capturar.

A principal implicação é que a precisão na previsão esportiva pode ser significativamente aumentada ao considerar a estrutura de ordenação dos dados e a diversidade cognitiva entre os algoritmos, oferecendo uma abordagem mais robusta para lidar com a incerteza inerente a eventos esportivos como a March Madness. O sucesso do modelo "ABE" sugere que a combinação de modelos lineares (Logística), baseados em margens (SVM) e não-lineares profundos (CNN) cria uma sinergia ideal para este domínio.