Meramalkan Kimia Pemain NBA Menggunakan Rangkaian Neural Graf

Hello semua, nama saya sea_turt1e.

Artikel ini akan berkongsi proses dan hasil membina model pembelajaran mesin untuk meramalkan kimia pemain dalam Liga Bola Keranjang Kebangsaan (NBA), sukan yang sangat saya sukai.

Ikhtisar

• Ramalkan kimia pemain menggunakan rangkaian saraf graf (GNN).
• Kawasan di bawah lengkung (AUC) digunakan sebagai metrik penilaian.
• AUC pada penumpuan adalah lebih kurang 0.73.
• Data latihan meliputi musim 1996-97 hingga musim 2021-22, dan data dari musim 2022-23 digunakan untuk ujian.

Nota: Mengenai NBA

Bagi pembaca yang tidak biasa dengan NBA, bahagian artikel ini mungkin sukar difahami. "Tindak balas kimia" boleh difahami dari perspektif yang lebih intuitif. Selain itu, sementara artikel ini memfokuskan pada NBA, kaedah ini juga boleh digunakan untuk sukan lain dan juga ramalan kimia interpersonal.

Keputusan ramalan tindak balas kimia

Mari kita lihat keputusan ramalan dahulu. Saya akan menerangkan dengan lebih terperinci tentang set data dan butiran teknikal kemudian.

Penjelasan sisi dan pecahan

Dalam ramalan tindak balas kimia, tepi merah menunjukkan tindak balas kimia yang baik, tepi hitam menunjukkan tindak balas kimia sederhana, dan tepi biru menunjukkan tindak balas kimia yang lemah.

Pecahan di sebelah mewakili skor tindak balas kimia, antara 0 hingga 1.

Ramalan kimia untuk pemain bintang

Berikut ialah ramalan kimia untuk pemain bintang. Graf hanya mengandungi pasangan pemain yang tidak pernah bermain untuk pasukan yang sama.

Melihat ramalan pemain bintang yang tidak pernah bermain bersama, keputusan mungkin tidak selalu intuitif.

Sebagai contoh, LeBron James dan Stephen Curry menunjukkan koordinasi yang sangat baik dalam Sukan Olimpik, menunjukkan kimia yang baik. Sebaliknya, Nikola Jokic secara mengejutkan diramalkan mempunyai chemistry yang lemah dengan pemain lain.

Ramalan kimia untuk dagangan utama pada musim 2022-23

Untuk membawa ramalan lebih dekat kepada realiti, saya menguji chemistry antara pemain dalam dagangan sebenar untuk musim 2022-23.

Memandangkan data dari musim 2022-23 tidak disertakan dalam data latihan, ramalan yang sepadan dengan tera realistik boleh menunjukkan keberkesanan model.

Terdapat beberapa dagangan penting yang berlaku pada musim 2022-23.

Berikut ialah ramalan untuk pemain utama termasuk Kevin Durant, Kyrie Irving dan Rui Hachimura.

Ramalan kimia untuk pasukan baharu mereka adalah seperti berikut:

• Lakers: Rui Hachimura – LeBron James (tepi merah: kimia yang bagus)
• Matahari: Kevin Durant – Chris Paul (Sebelah Hitam: Kimia sederhana)
• Mavericks: Kyrie Irving – Luka Doncic (sebelah biru: kimia lemah)

Keputusan ini nampaknya agak tepat memandangkan dinamik musim 2022-23. (Walaupun perkara berubah untuk Suns dan Mavericks pada musim berikutnya.)

Butiran teknikal

Seterusnya, saya akan menerangkan aspek teknikal, termasuk rangka kerja GNN dan penyediaan set data.

Apakah itu GNN?

GNN (Graph Neural Network) ialah rangkaian yang direka untuk memproses data berstruktur graf.

Dalam model ini, "tindak balas kimia antara pemain" diwakili sebagai tepi graf, dan proses pembelajaran adalah seperti berikut:

• Sebelah langsung: Pasangan pemain dengan bilangan bantuan yang lebih tinggi.
• Sisi Negatif: Sepasang pemain dengan jumlah bantuan yang lebih rendah.

Untuk sisi negatif, model memberi keutamaan kepada "rakan sepasukan dengan bantuan rendah" dan melemahkan pengaruh "pemain dari pasukan yang berbeza".

Apakah itu AUC?

AUC (kawasan di bawah lengkung) merujuk kepada kawasan di bawah lengkung ROC dan digunakan sebagai metrik untuk menilai prestasi model.

Semakin hampir AUC kepada 1, semakin tinggi ketepatannya. Dalam kajian ini, AUC model adalah kira-kira 0.73-hasil pertengahan hingga di atas purata.

Keluk Pembelajaran dan Kemajuan AUC

Berikut ialah lengkung pembelajaran dan kemajuan AUC semasa proses latihan:

Set Data

Inovasi utama terletak pada pembinaan set data.

Untuk mengukur kimia, saya menganggap "bantuan tinggi" bermaksud kimia yang baik. Berdasarkan andaian ini, set data distrukturkan seperti berikut:

• Sisi positif: Pemain dengan bilangan bantuan yang tinggi.
• Sebelah negatif: Pemain dengan bantuan rendah.

Selain itu, rakan sepasukan dengan jumlah bantuan yang rendah secara jelas dianggap mempunyai chemistry yang lemah.

Butiran kod

Semua kod tersedia di GitHub.

Mengikut arahan dalam README, anda seharusnya dapat meniru proses latihan dan memplot graf yang diterangkan di sini.

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

Pandangan Masa Depan

Masih ada ruang untuk penambahbaikan dan saya merancang untuk mencapai matlamat berikut:

1. Kembangkan definisi tindak balas kimia
   • Sertakan faktor di luar bantuan untuk menangkap perhubungan pemain dengan lebih tepat.
2. Tingkatkan ketepatan
   • Meningkatkan AUC melalui kaedah latihan yang lebih baik dan set data yang diperluaskan.
3. Pemprosesan bahasa semula jadi bersepadu
   • Analisis wawancara pemain dan siaran media sosial untuk menambah perspektif baharu.
4. Tulis artikel dalam bahasa Inggeris
   • Terbitkan kandungan dalam bahasa Inggeris untuk menjangkau khalayak antarabangsa yang lebih luas.
5. Membangunkan GUI untuk visualisasi graf
   • Buat aplikasi web yang membolehkan pengguna meneroka kimia pemain secara interaktif.

Kesimpulan

Dalam artikel ini, saya menerangkan percubaan saya untuk meramalkan kimia pemain NBA.

Sementara model masih dalam pembangunan, saya berharap dapat mencapai hasil yang lebih menarik dengan penambahbaikan selanjutnya.

Selamat tinggalkan pendapat dan cadangan anda di ruangan komen!

---

Jika anda memerlukan penambahbaikan lanjut, sila beritahu saya!

Atas ialah kandungan terperinci Meramalkan Kimia Pemain NBA Menggunakan Rangkaian Neural Graf. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!