Машинное обучение в ставках на спорт

Партнерский материал

Машинное обучение — одна из интеллектуальных методологий, показавших многообещающие результаты в области классификации и прогнозирования. Одной из растущих областей, требующих высокой точности прогнозирования, является прогнозирование спортивных событий из-за больших денежных сумм, связанных со ставками. Кроме того, менеджеры и владельцы клубов стремятся к моделям классификации, чтобы они могли понять и сформулировать стратегии, необходимые для победы в матчах.

Модели машинного обучения могут делать прогнозы в реальном времени на основе данных из множества разрозненных источников, таких как производительность игроков, погода, настроения фанатов и т. д.. Согласно исследованию, опубликованному в журнале Applied Computing and Informatics, некоторые модели показали точность немного выше, чем у экспертов в предметной области. 

Эти модели требуют большого количества сопоставимых и хорошо организованных данных перед анализом, что делает их особенно подходящими для прогнозирования результатов киберспортивных матчей, когда доступны большие объемы хорошо структурированных данных. 

К примеру, в одном исследовании 2008, ученые попытались предсказать результаты в четырех различных видах спорта: NFL (регби-лига), AFL (австралийский футбол по правилам), супер-регби (регби-союз) и английская премьер-лига по футболу (EPL), используя данные за 2002 год. Их искусственная нейронная сеть(ИНС) имела 20 узлов на входном уровне, 10 узлов в скрытом слое и 1 узел на выходном слое (20-10-1). Функции, которые использовались для всех видов спорта, были одинаковыми, а атрибуты, связанные с конкретными событиями в матче по регби или футболу, не рассматривались. Средняя производительность алгоритма ИНС при прогнозировании результатов составляла около 67,5%, по сравнению с прогнозами экспертов, точность которых составляла около 60–65%.

---

ИНС также применялась и для прогнозирования результатов скачек. Авторы исследования использовали данные 100 скачек на ипподроме Aqueduct Race Track, проведенных в Нью-Йорке в январе 2010 года. Для каждой лошади в скачке использовалась одна ИНС, на выходе было время финиша этой лошади. Для входных узлов в каждой ИНС использовалось восемь функций. Это были вес лошади, тип скачек, тренер, конный жокей, количество лошадей в скачках, дистанция скачек, состояние трассы и погода. Эта оптимальная сетевая архитектура (8-2-1), с точки зрения среднеквадратичной ошибки, состояла из четырех слоев: входного слоя (с восемью входными узлами), двух скрытых слоев и выходного слоя (со временем завершения лошади). К данным были применены пять различных алгоритмов обучения: градиентный спуск (BP), градиентный спуск с параметром импульса (BPM), Левенберга-Марквадта (LM) и сопряженный градиентный спуск (CGD). Было обнаружено, алгоритмы BPM (с параметром импульса 0,7) и BP были наиболее эффективными при прогнозировании победителя гонки, с точностью до 77%. Однако недостатком BP было то, что время обучения было большим (у LM было самое короткое время обучения).

DOI: 10.1016/j.aci.2017.09.005

Спонсор публикации: ставки на Лигу Европы от Favorit