Застосування ядрових моделей опорно-векторної регресії для прогнозування результатів гри в крикет у Жіночій прем'єр-лізі 2024 року
DOI:
https://doi.org/10.17309/tmfv.2024.1.09Ключові слова:
жіночий крикет, опорно-векторна регресія, машинне навчання, порівняльний аналіз, прогнозування результатівАнотація
Історія питання. Інтерес до жіночої прем’єр-ліги з крикету викликав потребу в застосуванні розширеної аналітики для розуміння багатогранної динаміки даного виду спорту.
Мета дослідження. Метою дослідження є внесок у спортивну аналітику шляхом оцінки ефективності застосування ядрових моделей опорно-векторної регресії (ОВР) у прогнозуванні визначення найбільш результативного гравця. Такі методи дослідження, як дисперсійний аналіз (ANOVA), функція Бесселя та застосування зворотніх мультиквадратичних ядер, були свідомо обрані через їхні різноманітні математичні підходи, що відповідають тонкощам гри в крикет у жіночій прем’єр-лізі.
Матеріали та методи. Результативність гравців було проаналізовано за допомогою наступних методів дослідження: дисперсійний аналіз (ANOVA), функції Бесселя та застосування зворотніх мультиквадратичних ядер. Дані, отримані з сайту espncricinfo.com та Міжнародної ради крикету, включають основні показники для п’яти команд. Ретельні методи попереднього опрацювання, такі як імпутація та виключення відхилень, підвищують достовірність даних, забезпечуючи отримання надійних прогнозних моделей.
Результати. Застосування зворотного мультиквадратичного ядра демонструє виняткову прогностичну ефективність, перевершуючи моделі дисперсійного аналізу (ANOVA) та функції Бесселя. Радіально-базисна функція ядра ефективно відображає складну динаміку жіночої прем’єр-ліги з крикету. Отримані результати підкреслюють доцільність застосування ядрового методу з метою прогнозування найбільш результативних гравців у сезоні Жіночої прем’єр-ліги 2024 року.
Висновки. В результаті дослідження було встановлено динамічну взаємодію між спортивною аналітикою та машин-ним навчанням у жіночій прем’єр-лізі з крикету. Застосування зворотного мультиквадратичного ядра показало найбільшу ефективність, надаючи ключову інформацію щодо прогнозування результатів гравців. Це підкреслює постійну інтеграцію сучасних аналітичних методів для покращення нашого розуміння динаміки розвитку жіночої прем’єр-ліги з крикету. Оскільки цей вид спорту набуває все більшої популярності на світовій арені, такі аналітичні дослідження стають необхідними для прийняття стратегічних рішень та сталого розвитку.
Завантаження
Посилання
Kapadia, K., Abdel-Jaber, H., Thabtah, F., & Hadi, W. (2022). Sport analytics for cricket game results using machine learning: An experimental study. Applied Computing and Informatics, 18(3/4), 256–266. https://doi.org/10.1016/j.aci.2019.11.006 DOI: https://doi.org/10.1016/j.aci.2019.11.006
Sumathi, M., Prabu, S., & Rajkamal, M. (2023). Cricket Players Performance Prediction and Evaluation Using Machine Learning Algorithms. 2023 International Conference on Networking and Communications (ICNWC), 1–6. https://doi.org/10.1109/ICNWC57852.2023.10127503 DOI: https://doi.org/10.1109/ICNWC57852.2023.10127503
Aburas, A. A., Mehtab, M., & Mehtab, Y. (2018). ICC World Cup Prediction Based Data Analytics and Business Intelligent (BI) Techniques. 2018 International Conference on Cyber-Enabled Distributed Computing and Knowledge Discovery (CyberC), 273–2736. https://doi.org/10.1109/CyberC.2018.00056
Subburaj, M., Rao, G. R. K., Parashar, B., Jeyabalan, I., Semban, H., & Sengan, S. (2023). Artificial Intelligence for Smart in Match Winning Prediction in Twenty20 Cricket League Using Machine Learning Model. In P. Agarwal, K. Khanna, A. A. Elngar, A. J. Obaid, & Z. Polkowski (Eds.), Artificial Intelligence for Smart Healthcare (pp. 31–46). Springer International Publishing. https://doi.org/10.1007/978-3-031-23602-0_3 DOI: https://doi.org/10.1007/978-3-031-23602-0_3
Passi, K., & Pandey, N. (2018). Predicting Players’ Performance in One Day International Cricket Matches Using Machine Learning. Computer Science & Information Technology, 111–126. https://doi.org/10.5121/csit.2018.80310 DOI: https://doi.org/10.5121/csit.2018.80310
Passi, K., & Pandey, N. (2018). Increased Prediction Accuracy in the Game of Cricket Using Machine Learning. International Journal of Data Mining & Knowledge Management Process, 8(2), 19–36. https://doi.org/10.5121/ijdkp.2018.8203 DOI: https://doi.org/10.5121/ijdkp.2018.8203
Bunker, R. P., & Thabtah, F. (2019). A machine learning framework for sport result prediction. Applied Computing and Informatics, 15(1), 27–33. https://doi.org/10.1016/j.aci.2017.09.005 DOI: https://doi.org/10.1016/j.aci.2017.09.005
Sivaramaraju Vetukuri, V., Rajender, R., & Sethi, N. (2019). A multi-aspect analysis and prediction scheme for cricket matches in standard T-20 format. International Journal of Knowledge-Based and Intelligent Engineering Systems, 23(3), 149–154. https://doi.org/10.3233/KES-190407 DOI: https://doi.org/10.3233/KES-190407
Dogan, A., & Birant, D. (2021). Machine learning and data mining in manufacturing. Expert Systems with Applications, 166, 114060. https://doi.org/10.1016/j.eswa.2020.114060 DOI: https://doi.org/10.1016/j.eswa.2020.114060
Abebe, M., Shin, Y., Noh, Y., Lee, S., & Lee, I. (2020). Machine Learning Approaches for Ship Speed Prediction towards Energy Efficient Shipping. Applied Sciences, 10(7), 2325. https://doi.org/10.3390/app10072325 DOI: https://doi.org/10.3390/app10072325
Gu, B., Cao, J., Pan, F., & Xiong, W. (2023). Incremental learning for Lagrangian ε-twin support vector regression. Soft Computing, 27(9), 5357–5375. https://doi.org/10.1007/s00500-022-07755-9 DOI: https://doi.org/10.1007/s00500-022-07755-9
Saikia, H. (2020). Quantifying the Current Form of Cricket Teams and Predicting the Match Winner. Management and Labour Studies, 45(2), 151–158. https://doi.org/10.1177/0258042X20912603 DOI: https://doi.org/10.1177/0258042X20912603
Wickramasinghe, I. P. (2014). Predicting the performance of batsmen in test cricket. Journal of Human Sport and Exercise, 9(4), 744–751. https://doi.org/10.14198/jhse.2014.94.01 DOI: https://doi.org/10.14198/jhse.2014.94.01
Hudnurkar, S., & Rayavarapu, N. (2022). Binary classification of rainfall time-series using machine learning algorithms. International Journal of Electrical and Computer Engineering (IJECE), 12(2), 1945. https://doi.org/10.11591/ijece.v12i2.pp1945-1954 DOI: https://doi.org/10.11591/ijece.v12i2.pp1945-1954
Van Eetvelde, H., Mendonça, L. D., Ley, C., Seil, R., & Tischer, T. (2021). Machine learning methods in sport injury prediction and prevention: A systematic review. Journal of Experimental Orthopaedics, 8(1), 27. https://doi.org/10.1186/s40634-021-00346-x DOI: https://doi.org/10.1186/s40634-021-00346-x
Anam, M., A/P Ponnusamy, V., Hussain, M., Waqas Nadeem, M., Javed, M., Guan Goh, H., & Qadeer, S. (2021). Osteoporosis Prediction for Trabecular Bone using Machine Learning: A Review. Computers, Materials & Continua, 67(1), 89–105. https://doi.org/10.32604/cmc.2021.013159 DOI: https://doi.org/10.32604/cmc.2021.013159
International Cricket Council. [Internet]. [cited 2023 December 12]. Available from: https://www.icc-cricket.com
ESPNcricinfo. [Internet]. [cited 2023 December 21]. Available from: https://www.espncricinfo.com/
Women’s Premier League | Official website. [internet]. [cited 2023 December 18]. Available from: https://www.wplt20.com/
Men, Y. (2022). Intelligent sports prediction analysis system based on improved Gaussian fuzzy algorithm. Alexandria Engineering Journal, 61(7), 5351–5359. https://doi.org/10.1016/j.aej.2021.08.084 DOI: https://doi.org/10.1016/j.aej.2021.08.084
Sanjaykumar, S., Udaichi, K., Rajendiran, G., & Kozina, Z. (2023). Cricket performance predictions: a comparative analysis of machine learning models for predicting cricket player’s performance in the One Day International (ODI) world cup 2023: 2024, V.10, No. 1. Health, Sport, Rehabilitation. Retrieved from https://hsr-journal.com/index.php/journal/article/view/920
Kaur, A., Kaur, R., & Jagdev, G. (2021). Analyzing and Exploring the Impact of Big Data Analytics in Sports Sector. SN Computer Science, 2(3), 184. https://doi.org/10.1007/s42979-021-00575-y DOI: https://doi.org/10.1007/s42979-021-00575-y
Xu, X.-Q., Korobeynikov, G., Han, W., Dutchak, M., Nikonorov, D., Zhao, M., & Mischenko, V. (2023). Analysis of phases and medalists to women’s singles matches in badminton at the Tokyo 2020 Olympic Games. Slobozhanskyi Herald of Science and Sport, 27(2), 64–69. https://doi.org/10.15391/snsv.2023-2.002 DOI: https://doi.org/10.15391/snsv.2023-2.002
Mandoli, S., Sharma, D., & Joshi, H. C. (2021). A Discriminant Model For Skill Oriented Prediction of Female Cricketers Depending Upon Selected Performance Parameters. Physical Education Theory and Methodology, 21(4), 293–298. https://doi.org/10.17309/tmfv.2021.4.01 DOI: https://doi.org/10.17309/tmfv.2021.4.01
Bhattacharjee, D., & Talukdar, P. (2020). Predicting outcome of matches using pressure index: Evidence from Twenty20 cricket. Communications in Statistics – Simulation and Computation, 49(11), 3028–3040. https://doi.org/10.1080/03610918.2018.1532003 DOI: https://doi.org/10.1080/03610918.2018.1532003
Javed Awan, M., Shafry Mohd Rahim, M., Nobanee, H., Munawar, A., Yasin, A., & Mohd Zain Azlanmz, A. (2021). Social Media and Stock Market Prediction: A Big Data Approach. Computers, Materials & Continua, 67(2), 2569–2583. https://doi.org/10.32604/cmc.2021.014253 DOI: https://doi.org/10.32604/cmc.2021.014253
Kruglov, V., & Khudolii, O. (2022). Discriminant Analysis: Age-Specific Features of Motor Fitness of Girls Aged 7 to 9. Physical Education Theory and Methodology, 22(3s), S142-S147. https://doi.org/10.17309/tmfv.2022.3s.20 DOI: https://doi.org/10.17309/tmfv.2022.3s.20
Bullock, G. S., Mylott, J., Hughes, T., Nicholson, K. F., Riley, R. D., & Collins, G. S. (2022). Just How Confident Can We Be in Predicting Sports Injuries? A Systematic Review of the Methodological Conduct and Performance of Existing Musculoskeletal Injury Prediction Models in Sport. Sports Medicine, 52(10), 2469–2482. https://doi.org/10.1007/s40279-022-01698-9 DOI: https://doi.org/10.1007/s40279-022-01698-9
Simsek, S., Albizri, A., Johnson, M., Custis, T., & Weikert, S. (2020). Predictive data analytics for contract renewals: A decision support tool for managerial decision-making. Journal of Enterprise Information Management, 34(2), 718–732. https://doi.org/10.1108/JEIM-12-2019-0375 DOI: https://doi.org/10.1108/JEIM-12-2019-0375
Downloads
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2024 Ponnusamy Yoga Lakshmi, Swamynathan Sanjaykumar, Maniazhagu Dharuman, Aarthi Elangovan
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
Автори, які публікуються у цьому журналі, погоджуються з наступними умовами:
- Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.
- Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у цьому журналі.
- Політика журналу дозволяє і заохочує розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису роботи, як до подання цього рукопису до редакції, так і під час його редакційного опрацювання, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи (див. The Effect of Open Access).
