A comparative evaluation of machine learning and deep learning for sports predictions in table tennis
Συγκριτική αξιολόγηση μηχανικής μάθησης και βαθιάς μάθησης για αθλητικές προβλέψεις στην επιτραπέζια αντισφαίριση
Μεταπτυχιακή διπλωματική εργασία
Συγγραφέας
Κυρώσης, Μηνάς-Νικόλαος
Ημερομηνία
2024-03-07Επιβλέπων
Kasnesis, PanagiotisΛέξεις-κλειδιά
Sports data ; Tabular data ; Supervised classification ; Table tennis ; Predictive modeling ; Deep learning ; Machine learning ; Αθλητικά δεδομένα ; Βαθιά μάθηση ; Μηχανική μάθηση ; Επιτραπέζια αντισφαίριση ; Προβλεπτική μοντελοποίηση ; Επιβλεπόμενη ταξινόμησηΠερίληψη
The surge in sports data availability has opened avenues for exploring the application of machine learning (ML) and deep learning (DL) techniques in predicting match outcomes as classification tasks across various sports. While mainstream sports have garnered considerable attention in this regard, with a plethora of ML and DL techniques being explored, there remains a lack of research on niche sports like table tennis. In contrast to mainstream sports, which often have limited data availability due to their shorter seasons, table tennis emerges as an ideal yet unexplored candidate due to its significant volume of match data, enabling a meaningful comparison between ML and DL techniques. This study bridges this research gap by employing a range of ML and DL models to predict table tennis match outcomes and explores their financial implications in the sports betting domain, and subsequently extends the body of knowledge on the ML vs DL debate on tabular data. Leveraging an extensive dataset of 123,107 table tennis matches, various ML and DL classification models were evaluated, including techniques novel to this domain. Results indicate that while ML models outperform complex DL models, feed-forward neural networks show comparable performance and emerge as promising candidates, especially when considering the benefits of transferable player embeddings to ML models. By assessing both algorithmic and monetary performance, this research offers a comprehensive understanding of predictive modeling in table tennis matches, laying a solid foundation for future studies. The monetary results demonstrate state-of-the-art returns, further validating the efficacy of the approach.
Περίληψη
Η ραγδαία αύξηση της διαθεσιμότητας αθλητικών δεδομένων καθιστά δυνατή τη διερεύνηση της εφαρμογής τεχνικών μηχανικής μάθησης (ML) και τεχνικών βαθιάς μάθησης (DL) για την πρόβλεψη των αποτελεσμάτων αγώνων ως προβλήματα ταξινόμησης σε διάφορα αθλήματα. Ενώ τα συμβατικά αθλήματα έχουν συγκεντρώσει μεγάλη προσοχή, με πληθώρα τεχνικών ML και DL να διερευνώνται, εξακολουθεί να υπάρχει έλλειψη έρευνας για πιο εξειδικευμένα αθλήματα όπως η επιτραπέζια αντισφαίριση. Σε αντίθεση με πιο δημοφιλή αθλήματα τα οποία έχουν περιορισμένα δεδομένα λόγω των μικρότερων σεζόν, η επιτραπέζια αντισφαίριση αναδεικνύεται ως ιδανικός αλλά ανεξερεύνητος υποψήφιος λόγω του σημαντικού όγκου δεδομένων, επιτρέποντας μια ουσιαστική σύγκριση μεταξύ τεχνικών ML και DL. Αυτή η μελέτη γεφυρώνει αυτό το ερευνητικό κενό χρησιμοποιώντας μια σειρά μοντέλων ML και DL για την πρόβλεψη των αποτελεσμάτων αγώνων και διερευνά τα οικονομικά οφέλη τους στον τομέα του αθλητικού στοιχηματισμού, και ακολούθως επεκτείνει το σύνολο γνώσης όσον αφορά το διάλογο αποτελεσματικότητας ML και DL τεχνικών σε δεδομένα μορφής πίνακα. Αξιοποιώντας ένα εκτεταμένο σετ δεδομένων 123,107 αγώνων επιτραπέζιας αντισφαίρισης, αξιολογήθηκαν διάφορα μοντέλα ταξινόμησης ML και ML, συμπεριλαμβανομένων καινοτόμων τεχνικών σε αυτό το πεδίο. Τα αποτελέσματα υποδεικνύουν ότι ενώ τα μοντέλα ML υπερτερούν των πολύπλοκων μοντέλων DL, τα νευρωνικα δίκτυα πρόσθιας τροφοδότησης παρουσιάζουν συγκρίσιμη επίδοση και αναδεικνύονται ως υποσχόμενα, ειδικά όταν εξετάζεται το όφελος της μεταφοράς μάθησης διανυσματικών αναπαραστάσεων των παικτών σε ML μοντέλα. Με την αξιολόγηση τόσο της αλγοριθμικής όσο και της οικονομικής αξιολόγησης, αυτή η έρευνα προσφέρει μια ολοκληρωμένη κατανόηση της προγνωστικής μοντελοποίησης σε αγώνες επιτραπέζιας αντισφαίρισης, θέτοντας μια σταθερή βάση για μελλοντικές μελέτες. Τα οικονομικά αποτελέσματα καταδεικνύουν χρηματικές επιστροφές αιχμής, επικυρώνοντας περαιτέρω την αποτελεσματικότητα της προσέγγισης.
Αριθμός σελίδων
75Σχολή
Σχολή ΜηχανικώνΑκαδημαϊκό Τμήμα
Τμήμα Ηλεκτρολόγων και Ηλεκτρονικών ΜηχανικώνΤμήμα Μηχανικών Βιομηχανικής Σχεδίασης και Παραγωγής