В предыдущей статье мы поделились первым продуктом прогнозирования на командном уровне, который был запущен благодаря сотрудничеству Tensor Labs с Hyper. Мы подняли продукт на один уровень выше, до уровня предсказания уровня игрока. В этой статье мы поговорим о том, как мы решили проблему предсказания уровня игрока и сделали это в прямом эфире.

Прогнозирование результатов игроков в ставках на НБА становится все более важным, поскольку отрасль продолжает расти. С появлением искусственного интеллекта (ИИ) и машинного обучения (МО) еще никогда не было так легко прогнозировать результаты отдельных игроков в Национальной баскетбольной ассоциации (НБА). Tensor Labs использовала машину SOTA и алгоритмы глубокого обучения для создания системы прогнозирования уровня игрока, которая вычисляет ожидаемую статистику для пяти ключевых показателей эффективности: перехваты (stls), подборы в защите (drebs), очки (pts), подборы (rebs), и помогает (аст).

Процесс разработки системы прогнозирования уровня игрока был обширным, начиная с интеллектуального анализа и очистки данных, за которыми следовал исследовательский анализ данных (EDA), разработка функций, обучение и развертывание. Мы использовали различные методы, чтобы обеспечить точность и актуальность данных, такие как удаление выбросов и заполнение отсутствующих значений. После того, как данные были подготовлены, мы использовали различные методы разработки признаков для извлечения из данных соответствующей информации. Затем мы использовали алгоритмы машинного обучения, чтобы обучить модель и сделать прогнозы. У нас было множество возможных алгоритмов машинного обучения для этого подхода, и нам нужно было выбрать только идеальный, чтобы использовать текущие. Варианты, которые мы рассмотрели, включают следующие

  1. Линейная регрессия: это алгоритм обучения с учителем, который можно использовать для прогнозирования непрерывного вывода. В этом случае его можно использовать для прогнозирования ожидаемой производительности игрока на основе различных входных данных, таких как его прошлые результаты, возраст, история травм и так далее.
  2. Случайный лес: это алгоритм обучения ансамбля, который можно использовать как для задач регрессии, так и для задач классификации. В этом случае его можно использовать для прогнозирования ожидаемой производительности игрока на основе результатов множества деревьев решений, каждое из которых обучено на подмножестве входных данных.
  3. Повышение градиента: это алгоритм обучения ансамбля, похожий на случайный лес, но обычно более точный. Он работает путем объединения множества слабых деревьев решений для формирования сильной модели прогнозирования.
  4. Нейронные сети: это тип алгоритма машинного обучения, который смоделирован по образцу структуры человеческого мозга. Нейронные сети можно использовать для прогнозирования производительности игрока, изучая взаимосвязь между входными характеристиками и ожидаемым результатом.

В конце концов мы прибегли к использованию варианта ансамбля Gradient Boosting с другими моделями. Этот обширный процесс, наконец, дал нам результаты, которыми мы с гордостью можем поделиться сегодня.

Производительность системы прогнозирования уровня игрока оценивалась с использованием показателя средней абсолютной ошибки (MAE). MAE измеряет среднюю разницу между прогнозируемыми значениями и фактическими значениями. В случае системы прогнозирования уровня игрока MAE для stls, drebs, pts, rebs и ast составлял 3,60, 1,15, 0,4, 1,5 и 0,9 соответственно. Эти низкие MAE указывают на то, что модель делает очень точные прогнозы для этих показателей эффективности.

Искусственный интеллект меняет способ выбора фаворитов ставок. Благодаря способности делать высокоточные прогнозы ИИ позволяет как букмекерам, так и игрокам принимать более обоснованные решения. Используя искусственный интеллект для прогнозирования результатов игроков, Tensor Labs помогает уравнять правила игры для тех, кто хочет делать ставки на игры НБА. Игрокам больше не нужно полагаться на интуицию или мнение экспертов, поскольку искусственный интеллект может дать гораздо более точную и объективную оценку эффективности игрока.\

Заключение

Tensor Labs успешно разработала систему прогнозирования уровня игроков для игроков NBA, которая использует последние достижения в области искусственного интеллекта и машинного обучения. При MAE менее 1 для нескольких ключевых показателей эффективности модель обеспечивает высокоточные прогнозы для пяти ключевых показателей эффективности. Система прогнозирования уровня игрока теперь работает и доступна для использования как букмекерами, так и игроками. Используя искусственный интеллект для составления обоснованных прогнозов, Tensor Labs помогает изменить способ выбора фаворитов ставок в НБА.

Мы гордимся успехом этого проекта и ценностью, которую он принес нашему клиенту. Это свидетельствует о нашем опыте в разработке и развертывании продуктов машинного обучения, а также о нашей способности предоставлять комплексные решения для клиентов. Если у вас есть идея и вы хотите воплотить ее в жизнь, мы будем рады услышать от вас. Вы можете посетить наш LinkedIn или связаться с нами по адресу [email protected], чтобы узнать больше о том, как мы можем помочь вам воплотить ваши идеи в реальность.

Что дальше?

В следующих статьях мы продолжим знакомить вас с нашими клиентами, которые в сотрудничестве с нами воплотили свои идеи в жизнь. Следите за обновлениями 😃.