Прогнозування успішності команд в Індійській прем’єр-лізі з крикету сезону 2024 року через аналіз застосування методу випадкового лісу
DOI:
https://doi.org/10.17309/tmfv.2024.2.16Ключові слова:
Індійська прем’єр-ліга, випадковий ліс, машинне навчання, прогнозування результативності команд, аналітика крикетуАнотація
Історія питання. Випадковий ліс (англ. “Random Forest”) — популярний алгоритм машинного навчання, який використовується для задач класифікації та регресії. Метою роботи є дослідити застосування методу машинного навчання випадкового лісу для прогнозування шансів команд на перемогу в сезоні 2024 року Індійської прем’єр-ліги (ІПЛ).
Мета дослідження. Шляхом аналізу всебічної статистики гравців, включаючи зіграні матчі, середні показники відбивання та боулінгу, а також активність філдингу, дослідження має на меті з’ясувати фактори, що впливають на успіх команди в крикеті серії T20 (“Twenty20”), і надати практичну інформацію для менеджменту команд, ринків прогнозів та поціновувачів крикету.
Матеріал та методи. У дослідженні взяли участь 10 команд з крикету, які змагалися в сезоні ІПЛ 2024 року. Статистичні дані про гравців та результати матчів за попередні сезони ІПЛ було зібрано та опрацьовано, а відсутні значення отримано за допомогою методу імпутації. Характеристики базувалися на статистиці гравців, включаючи як агреговані показники, так і обчислювані метрики. В якості моделі машинного навчання обрано метод випадкового лісу, який використовується для навчання на основі попередньо оброблених даних, з характеристиками, отриманими на основі статистики гравців — в якості вхідних даних та результатами матчів в якості цільової змінної. Для забезпечення надійного функціонування моделі набір даних було розділено на тренувальний та затверджувальний набори з використанням таких методик, як перехресне затверджування.
Результати. Модель випадкового лісу демонструє суттєву прогностичну ефективність з низькою середньоквадратичною похибкою (СКП) 8,2174, коренем із середньоквадратичної похибки (КСКП) 2,8666 і високим значенням R-квадрату 0,9173, вказуючи на пояснення приблизно 91,73% дисперсії в даних. Команда “Chennai Super Kings” лідирує з прогнозованим відсотком результативності 83,4%, в той час як команди “Punjab Kings” та “Lucknow Super Giants” показують нижчий прогнозований відсоток результативності, що свідчить про наявність потенційних можливостей для її покращення.
Висновки. Це дослідження демонструє ефективність застосування методу машинного навчання випадкового лісу для прогнозування результатів матчів ІПЛ на основі статистики гравців. Дослідження містить цінну інформацію щодо командної динаміки та практичні рекомендації для менеджменту команд і шанувальників крикету. Отримані результати збагачують наше розуміння щодо динаміки матчів ІПЛ, сприяють розвитку аналітики крикету та більшому залученню до спорту, що в кінцевому підсумку підвищує рівень досвіду вболівальників в ІПЛ.
Завантаження
Посилання
Subburaj, M., Rao, G. R. K., Parashar, B., Jeyabalan, I., Semban, H., & Sengan, S. (2023). Artificial Intelligence for Smart in Match Winning Prediction in Twenty20 Cricket League Using Machine Learning Model. EAI/Springer Innovations in Communication and Computing, Part F632, 31–46. https://doi.org/10.1007/978-3-031-23602-0_3 DOI: https://doi.org/10.1007/978-3-031-23602-0_3
Kapadia, K., Abdel-Jaber, H., Thabtah, F., & Hadi, W. (2022). Sport analytics for cricket game results using machine learning: An experimental study. Applied Computing and Informatics, 18(3-4), 256–266. https://doi.org/10.1016/j.aci.2019.11.006 DOI: https://doi.org/10.1016/j.aci.2019.11.006
Sanjaykumar, S., Udaichi, K., Rajendiran, G., Cretu, M., & Kozina, Z. (2024). Cricket performance predictions: A comparative analysis of machine learning models for predicting cricket player’s performance in the One Day International (ODI) world cup 2023. Health, Sport, Rehabilitation, 10(1), 6–19. https://doi.org/10.58962/HSR.2024.10.1.6-19 DOI: https://doi.org/10.58962/HSR.2024.10.1.6-19
Passi, K., & Pandey, N. (2018). Increased Prediction Accuracy in the Game of Cricket Using Machine Learning. International Journal of Data Mining & Knowledge Management Process, 8, 19–36. https://doi.org/10.5121/ijdkp.2018.8203 DOI: https://doi.org/10.5121/ijdkp.2018.8203
Sumathi, M., Prabu, S., & Rajkamal, M. (2023). Cricket Players Performance Prediction and Evaluation Using Machine Learning Algorithms. Proceedings of the 1st IEEE International Conference on Networking and Communications 2023, ICNWC 2023. https://doi.org/10.1109/ICNWC57852.2023.10127503 DOI: https://doi.org/10.1109/ICNWC57852.2023.10127503
Abebe, M., Shin, Y., Noh, Y., Lee, S., & Lee, I. (2020). Machine learning approaches for ship speed prediction towards energy efficient shipping. Applied Sciences (Switzerland), 10(7), 2325. https://doi.org/10.3390/app10072325 DOI: https://doi.org/10.3390/app10072325
Passi, K., & Pandey, N. (2018). Predicting Players’ Performance in One Day International Cricket Matches Using Machine Learning. Proceedings of the 8th International Conference on Computer Science, Engineering, and Applications. https://doi.org/10.5121/csit.2018.80310 DOI: https://doi.org/10.5121/csit.2018.80310
Wickramasinghe, I. P. (2014). Predicting the performance of batsmen in test cricket. Journal of Human Sport and Exercise, 9(4), 744–751. https://doi.org/10.14198/jhse.2014.94.01 DOI: https://doi.org/10.14198/jhse.2014.94.01
Bai, Z., & Bai, X. (2021). Sports Big Data: Management, Analysis, Applications, and Challenges. Complexity. https://doi.org/10.1155/2021/6676297 DOI: https://doi.org/10.1155/2021/6676297
Aburas, A., Mehtab, M., & Mehtab, Y. (2018). ICC World Cup Prediction Based on Data Analytics and Business Intelligent (BI) Techniques. In Proceedings - International Conference on Cyber-Enabled Distributed Computing and Knowledge Discovery, CyberC 2018 (pp. 273-279). https://doi.org/10.1109/CyberC.2018.00056
Bunker, R. P., & Thabtah, F. (2019). A machine learning framework for sport result prediction. Applied Computing and Informatics, 15(1), 27-33. https://doi.org/10.1016/j.aci.2017.09.005 DOI: https://doi.org/10.1016/j.aci.2017.09.005
ESPNcricinfo. (n.d.). Retrieved December 27, 2023, from https://www.espncricinfo.com/
Indian Premier League official website. (n.d.). Retrieved December 29, 2023, from https://www.iplt20.com/
Sivaramaraju Vetukuri, V., Rajender, R., & Sethi, N. (2019). A multi-aspect analysis and prediction scheme for cricket matches in standard T-20 format. International Journal of Knowledge-Based and Intelligent Engineering Systems, 23(3), 149–154. https://doi.org/10.3233/KES-190407 DOI: https://doi.org/10.3233/KES-190407
Hudnurkar, S., & Rayavarapu, N. (2022). Binary classification of rainfall time-series using machine learning algorithms. International Journal of Electrical and Computer Engineering, 12(2), 1945–1954. https://doi.org/10.11591/ijece.v12i2.pp1945-1954 DOI: https://doi.org/10.11591/ijece.v12i2.pp1945-1954
Baboota, R., & Kaur, H. (2019). Predictive analysis and modeling football results using a machine learning approach for the English Premier League. International Journal of Forecasting, 35(2), 741–755. https://doi.org/10.1016/j.ijforecast.2018.01.003 DOI: https://doi.org/10.1016/j.ijforecast.2018.01.003
Wickramasinghe, I. (2020). Naive Bayes approach to predict the winner of an ODI cricket game. Journal of Sports Analytics, 6, 75–84. https://doi.org/10.3233/jsa-200436 DOI: https://doi.org/10.3233/JSA-200436
Lakshmi, P. Y., Sanjaykumar, S., Dharuman, M., & Elangovan, A. (2024). Using Support Vector Regression Kernel Models for Cricket Performance Prediction in the Women’s Premier League 2024. Physical Education Theory and Methodology, 24(1), 72–78. https://doi.org/10.17309/tmfv.2024.1.09 DOI: https://doi.org/10.17309/tmfv.2024.1.09
Saikia, H. (2020). Quantifying the Current Form of Cricket Teams and Predicting the Match Winner. Management and Labour Studies, 45(2), 151-158. https://doi.org/10.1177/0258042X20912603 DOI: https://doi.org/10.1177/0258042X20912603
Kaur, A., Kaur, R., & Jagdev, G. (2021). Analyzing and Exploring the Impact of Big Data Analytics in the Sports Sector. SN Computer Science, 2(3). https://doi.org/10.1007/s42979-021-00575-y DOI: https://doi.org/10.1007/s42979-021-00575-y
Bhattacharjee, D., & Talukdar, P. (2020). Predicting outcome of matches using pressure index: Evidence from Twenty20 cricket. Communications in Statistics - Simulation and Computation, 49(11), 3028–3040. https://doi.org/10.1080/03610918.2018.1532003 DOI: https://doi.org/10.1080/03610918.2018.1532003
Van Eetvelde, H., Mendonça, L. D., Ley, C., Seil, R., & Tischer, T. (2021). Machine learning methods in sport injury prediction and prevention: a systematic review. Journal of Experimental Orthopaedics, 8(1), 27. https://doi.org/10.1186/s40634-021-00346-x DOI: https://doi.org/10.1186/s40634-021-00346-x
Men, Y. (2022). Intelligent sports prediction analysis system based on improved Gaussian fuzzy algorithm. Alexandria Engineering Journal, 61(7), 5351–5359. https://doi.org/10.1016/j.aej.2021.08.084 DOI: https://doi.org/10.1016/j.aej.2021.08.084
Turhan, F. H., & Canpolat, B. (2023). Researching the future expectations of sports sciences students. Physical Education of Students, 27(3), 126–134. https://doi.org/10.15561/20755279.2023.0305 DOI: https://doi.org/10.15561/20755279.2023.0305
Šuštaršič, A., Videmšek, M., Karpljuk, D., Miloloža, I., & Meško, M. (2022). Big Data in Sports: A Bibliometric and Topic Study. Business Systems Research, 13(1), 19–34. https://doi.org/10.2478/bsrj-2022-0002 DOI: https://doi.org/10.2478/bsrj-2022-0002
Gu, B., Cao, J., Pan, F., & Xiong, W. (2023). Incremental learning for Lagrangian ε-twin support vector regression. Soft Computing, 27(9), 5357–5375. https://doi.org/10.1007/s00500-022-07755-9 DOI: https://doi.org/10.1007/s00500-022-07755-9
Downloads
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2024 Swamynathan Sanjaykumar, Subhashree Natarajan, Ponnusamy Yoga Lakshmi, Farjana Akter Boby
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
Автори, які публікуються у цьому журналі, погоджуються з наступними умовами:
- Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.
- Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у цьому журналі.
- Політика журналу дозволяє і заохочує розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису роботи, як до подання цього рукопису до редакції, так і під час його редакційного опрацювання, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи (див. The Effect of Open Access).
