Leakage-aware pre-match prediction of professional volleyball outcomes: temporal validation of machine-learning models against an Elo baseline
这项研究表明，虽然机器学习模型在经过针对数据泄露和时间约束的严格测试后，能够对职业排球赛果进行中度预测，但一个简单的 Elo 等级分基准仍然具有极强的竞争力，这表明复杂的算法在赛前决策支持方面提供的额外价值有限。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
预测职业体育比赛的结果是一项将直觉与硬性数据相结合的任务。在竞技排球的世界里，球队的拦网、进攻和发球方面的优势不断被分析。几十年来，研究人员一直通过赛后收集的统计数据来理解为什么一支球队获胜而另一支球队失败。然而，在赛后解释结果与在第一球发出前进行预测之间存在着本质的区别。像比赛得分数这样的统计数据是对此发生情况的完美描述，但它不能被用来预报即将发生的情况，因为它在比赛结束之前并不存在。真正的预测需要仅使用比赛开始前可获得的信息，例如球队过去的表现、他们近期的状态以及他们有多少天的时间进行休息。对于任何试图建立可靠模型来猜测未来的人来说，这种区别至关重要，因为使用尚未可用的数据会产生一种虚假的准确感。
成都体育学院的李晓鹏最近的一项研究通过研究波兰顶级联赛（以 PlusLiga 闻名）的职业排球比赛解决了这一挑战。其目标是观察当严格禁止使用任何在比赛开始前无法获知的信息时，机器学习模型预测比赛胜负的效果如何。研究人员使用了一个包含数千场比赛记录的公开数据集，但第一步并不是构建计算机程序，而是清洗数据。经过仔细检查，数据集早期年份的记录包含了不可能出现的数字，例如一支球队记录的“Ace 球”（对手无法回球的完美发球）数量超过了总发球尝试次数。由于这些错误无法在不猜测原始数据采集规则的情况下进行修复，研究人员做出了一个艰难的决定：舍弃了两千多条此类旧记录。最终的分析依赖于 2020/21 至 2022/23 赛季的 628 场比赛，这一时期的数据是干净且可靠的。
为了测试不同方法的预测能力，研究人员将这些干净的数据分为两组。第一组涵盖 2020/21 和 2021/22 赛季，用于训练各种计算机模型。第二组由 2022/23 赛季的比赛组成，在最后阶段之前完全隐藏。这种方法模拟了现实生活：模型从过去学习，然后通过测试未来的数据来查看其是否真正有效。该研究将五种不同类型的机器学习算法（从简单的统计方法到复杂的神经网络）与两个基本基准进行了对比。其中一个基准是仅仅根据球队过去获胜的频率进行猜测，而另一个则使用了 Elo 等级分系统，这是一种透明的方法，根据球队击败对手的方式和对象，在每场比赛后更新其强度评分。
结果显示，预测职业排球是可能的，但远非完美。最成功的模型是一种名为逻辑回归（Logistic Regression）的简单统计方法，它在未见的未来数据上正确预测了约 72% 的胜者。这是一个扎实的结果，但并非突破。事实上，简单的 Elo 等级分系统——它仅观察球队之间的强度差异而无需复杂计算——表现得几乎同样出色，其胜者预测准确率约为 70%。更复杂的机器学习模型，包括那些旨在寻找数据中复杂模式的模型，并没有比简单方法提供显著的优势。在某些情况下，复杂的模型甚至不够稳定，在训练期间表现良好，但在面对新比赛时却无法维持这种成功。
深入观察模型实际上利用了什么信息，揭示了一个令人惊讶的事实。最重要的因素显然是球队之间的 Elo 等级分差异。虽然模型可以获取关于球队近期状态的十四种不同统计数据（例如他们的发球准确度或他们在过去五场比赛中得分的情况），但这些细节增加的附加价值微乎其微。计算机模型基本上依赖于一个简单的事实：较强的球队更有可能获胜，而额外的技术数据并没有改变太多预测结果。这表明，球队近期比赛历史中所包含的信息已经很大程度上被其整体强度评分所捕捉。研究还发现，模型擅长对获胜可能性进行排名，但它们并不完美；每一次预测中仍然存在显著的不确定性。
研究结论认为，虽然可以较为成功地预测职业排球结果，但实现这一目标的路径需要严格的纪律，即对允许使用哪些信息进行限制。研究明确反对认为更复杂的计算机算法在处理此类任务时自动更优的观点。相反，它表明一个清晰、透明的球队强度衡量标准通常是最强大的可用工具。研究结果支持将这些模型作为赛前分析的谨慎辅助手段，或许可以帮助球探或球迷了解比赛难度的可能性。然而，研究警告说，这些模型不应用于比赛中的实时决策或提供具体的教练建议，因为它们无法解释比赛过程中发生的动态变化。此外，研究结果仅针对这一特定联赛，在没有进一步测试的情况下，不能假设其适用于其他运动或不同水平的竞争。这项工作提醒我们，在体育预测中，了解你所不知道的事物与预测本身同样重要。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。