Prédire la chimie des joueurs NBA à l'aide de réseaux de neurones graphiques

Bonjour à tous, je m'appelle sea_turt1e.

Cet article partagera le processus et les résultats de la création d'un modèle d'apprentissage automatique pour prédire l'alchimie des joueurs dans la Ligue nationale de basket-ball (NBA), un sport que j'aime beaucoup.

Aperçu

• Prédisez la chimie des joueurs à l'aide des réseaux de neurones graphiques (GNN).
• L'aire sous la courbe (AUC) est utilisée comme mesure d'évaluation.
• L'AUC à la convergence est d'environ 0,73.
• Les données d'entraînement couvrent la saison 1996-97 jusqu'à la saison 2021-22, et les données de la saison 2022-23 sont utilisées à des fins de tests.

Remarque : À propos de la NBA

Pour les lecteurs qui ne connaissent pas la NBA, certaines parties de cet article peuvent être difficiles à comprendre. La « réaction chimique » peut être comprise d’un point de vue plus intuitif. De plus, bien que cet article se concentre sur la NBA, la méthode pourrait également être appliquée à d’autres sports et même à la prédiction de la chimie interpersonnelle.

Résultats de prédiction des réactions chimiques

Regardons d'abord les résultats des prédictions. J'entrerai plus en détail sur l'ensemble de données et les détails techniques plus tard.

Explication des côtés et des fractions

Dans la prédiction des réactions chimiques, les bords rouges indiquent de bonnes réactions chimiques, les bords noirs indiquent des réactions chimiques modérées et les bords bleus indiquent de mauvaises réactions chimiques.

La fraction sur le côté représente le score de réaction chimique, allant de 0 à 1.

Prédictions de chimie pour les joueurs vedettes

Voici les prédictions de chimie pour les joueurs vedettes. Le graphique ne contient que des paires de joueurs n'ayant jamais joué pour la même équipe.

En regardant les prédictions des joueurs vedettes qui n’ont jamais joué ensemble, les résultats ne sont pas toujours intuitifs.

Par exemple, LeBron James et Stephen Curry ont fait preuve d'une excellente coordination aux Jeux olympiques, ce qui indique une bonne alchimie. D’un autre côté, Nikola Jokic devrait avoir une mauvaise alchimie avec les autres joueurs.

Prédictions de chimie pour les métiers majeurs de la saison 2022-23

Pour rapprocher les prédictions de la réalité, j'ai testé l'alchimie entre les joueurs dans des échanges réels pour la saison 2022-23.

Étant donné que les données de la saison 2022-23 ne sont pas incluses dans les données d'entraînement, les prédictions qui correspondent à des impressions réalistes peuvent indiquer l'efficacité du modèle.

Plusieurs échanges importants auront lieu au cours de la saison 2022-23.

Voici les pronostics pour les joueurs clés dont Kevin Durant, Kyrie Irving et Rui Hachimura.

Les prédictions chimiques pour leur nouvelle équipe sont les suivantes :

• Lakers : Rui Hachimura – LeBron James (bord rouge : bonne alchimie)
• Suns : Kevin Durant – Chris Paul (Black Side : chimie moyenne)
• Mavericks : Kyrie Irving – Luka Doncic (côté bleu : mauvaise alchimie)

Ces résultats semblent assez précis compte tenu de la dynamique de la saison 2022-23. (Même si les choses ont changé pour les Suns et les Mavericks la saison suivante.)

Détails techniques

Ensuite, j'expliquerai les aspects techniques, y compris le framework GNN et la préparation des ensembles de données.

Qu'est-ce que GNN ?

GNN (Graph Neural Network) est un réseau conçu pour traiter des données structurées sous forme de graphiques.

Dans ce modèle, les « réactions chimiques entre joueurs » sont représentées sous forme d'arêtes de graphique, et le processus d'apprentissage est le suivant :

• Côté direct : La paire de joueurs avec le plus grand nombre de passes décisives.
• Côté négatif : Une paire de joueurs avec un nombre de passes décisives inférieur.

Pour les bords négatifs, le modèle donne la priorité aux « coéquipiers avec de faibles passes décisives » et affaiblit l'influence des « joueurs d'équipes différentes ».

Qu'est-ce que l'ASC ?

AUC (aire sous la courbe) fait référence à l'aire sous la courbe ROC et est utilisée comme mesure pour évaluer les performances du modèle.

Plus l’AUC est proche de 1, plus la précision est élevée. Dans cette étude, l'ASC du modèle était d'environ 0,73, soit un résultat moyen à supérieur à la moyenne.

Courbe d'apprentissage et progrès de l'AUC

Voici la courbe d'apprentissage et la progression de l'AUC au cours du processus de formation :

Ensemble de données

La principale innovation réside dans la construction du jeu de données.

Pour quantifier l’alchimie, je suppose que « passes décisives élevées » signifie une bonne alchimie. Sur la base de cette hypothèse, l'ensemble de données est structuré comme suit :

• Côté positif : Joueurs avec un nombre élevé de passes décisives.
• Côté négatif : Joueurs avec peu de passes décisives.

De plus, les coéquipiers avec un faible nombre de passes décisives sont explicitement considérés comme ayant une mauvaise alchimie.

Détails du code

Tous les codes sont disponibles sur GitHub.

En suivant les instructions du README, vous devriez être en mesure de reproduire le processus de formation et de tracer les graphiques décrits ici.

https://www.php.cn/link/867079fcaff2dfddeb29ca1f27853ef7

Perspectives d'avenir

Il y a encore place à l'amélioration et je prévois d'atteindre les objectifs suivants :

1. Élargir la définition de la réaction chimique
   • Incorporez des facteurs au-delà des aides pour capturer plus précisément les relations entre les joueurs.
2. Améliorer la précision
   • Améliorer l'AUC grâce à de meilleures méthodes de formation et à des ensembles de données élargis.
3. Traitement intégré du langage naturel
   • Analysez les interviews des joueurs et les publications sur les réseaux sociaux pour ajouter de nouvelles perspectives.
4. Écrire un article en anglais
   • Publiez du contenu en anglais pour toucher un public international plus large.
5. Développement d'une interface graphique pour la visualisation de graphiques
   • Créez une application Web qui permet aux utilisateurs d'explorer de manière interactive l'alchimie des joueurs.

Conclusion

Dans cet article, je décris mes tentatives pour prédire la chimie des joueurs NBA.

Bien que le modèle soit encore en développement, j'espère obtenir des résultats plus intéressants avec de nouvelles améliorations.

Bienvenue pour laisser vos réflexions et suggestions dans la zone de commentaires !

---

Si vous avez besoin d'améliorations supplémentaires, faites-le-moi savoir !

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!