Dvonivojsko modeliranje lastnosti ekip in napovedovanje izidov športnih tekemFortuna, Rok (Avtor) Štrumbelj, Erik (Mentor) strojno učenjeBayesova statistikašportmodeliranješumpreveliko prileganjeV delu se osredotočamo na problem napovedovanja izidov športnih tekem s pomočjo strojnega učenja. Pri napovedovanju izida neke športne tekme imamo na voljo podatke o preteklih tekmah, ki vsebujejo izmerjene lastnosti sodelujočih ekip. Naša naloga je pretvoriti izmerjene lastnosti ekip v količine, ki opisujejo moči ekip. Te nato uporabimo v učni in testni množici strojnega učenja. Klasični pristopi za vrednosti v učnih in testnih vektorjih uporabijo kar povprečja izmerjenih lastnosti ekip. Izkaže se, da taki pristopi povzročijo preveliko prileganje modelov in posledično slabe napovedi, še posebej, ko imamo malo podatkov. Klasični pristopi namreč ne upoštevajo, da je v športnih podatkih prisoten šum, ki povzroči, da so izračunana povprečja nezanesljiva in posledično vzrok slabega napovednega modela. V delu predlagamo pristop dvonivojskega modeliranja, pri katerem prvi nivo modelira zvezo med lastnostmi ekip in njihovo močjo, drugi nivo pa zvezo med močmi ekip in izidi tekem. Namesto da v učnih in testnih vektorjih uporabljamo povpreč\-ja izmerjenih lastnosti ekip, le-te modeliramo s porazdelitvami. To nam omogoči vzporedno učenje več napovednih modelov, pri čemer končne napovedi dobimo s povprečenjem. Cilj uporabe pristopa dvonivojskega modeliranja je zmanjšanje vpliva šuma v podatkih in izboljšanje napovedi modelov. Poleg opisanega pristopa ponudimo paket v programskem jeziku R, ki vsebuje modularno ogrodje za uporabo pristopov dvonivojskega modeliranja na športnih (in športu podobnih) podatkih. V eksperimentalnem vrednotenju pristopa dvonivojskega modeliranja pokažemo, da le-ta vidno izboljša rezultate napovedovanja v primerjavi s klasičnimi pristopi in predstavlja obetavno metodologijo za nadaljnje raziskave.20182018-09-13 07:46:30Magistrsko delo/naloga103022sl