Mašīnmācīšanās metožu izmantošana hokeja spēlētāju individuālās statistikas prognozēšanā

Abstract

Bakalaura darbā aprakstīta dažādu mašīnmācīšanās metožu – lineārās regresijas, lēmumu koku, gadījuma mežu un k-tuvāko kaimiņu – modeļu pielietošana NHL spēlētāju individuālās statistikas prognozēšanai. Darbā ir ietverta literatūras izpēte, spēlētāju statistikas un spēļu datu ievākšana un apstrāde, kā arī atsevišķa nodaļa katrai no izmantotajām metodēm, kurā sniegta informācija par tās būtību un konkrētāk aprakstīts tās pielietojums spēlētāju statistikas prognozēšanā. Iegūtie rezultāti norādīja, ka vispiemērotākā metode šim nolūkam ir lineārā regresija, kuras precīzākais laukuma spēlētāju modelis uzrādīja 0.244 R^2 vērtību, prognozējot 16 statistikas rādītājus. Izveidotie prognožu modeļi vārtsargiem uzrādīja sliktākus rezultātus, kas norāda uz to, ka vārtsargu snieguma prognozēšanā būtu jāizmanto citas metodes vai jāmaina izmantotie dati.

This paper describes the use of different machine learning method - linear regression, decision trees, random forests and k-nearest neighbors - models for predicting individual statistics of NHL players. The paper includes literature research, gathering and processing of player and game data, as well as a chapter for each of the methods used, which provide a brief introduction to them and more specifically describe their application in predicting player statistics. The obtained results indicated that the most suitable method for this purpose is linear regression, with its most accurate skater model achieving an R^2 value of 0.244 predicting 16 player statistics. The prediction models showed worse results for goaltenders, which indicates that other methods or data should be used in the prediction of goaltender performance.