Введение 5
1. Постановка задачи и основные определения 7
1.1. Ставки в теннисе 7
1.2. База данных 8
2. Алгоритмы машинного обучения 9
2.1. Задача классификации 9
2.2. Gradient Boosting 10
2.3. Random Forest 12
2.4. Нейронная сеть 12
3. Преобразование данных 14
3.1. Веса покрытий 14
3.2. Вес по времени 15
3.3. Усредненные характеристики 15
3.4. Усредненные характеристики и тип корта 16
3.5. Метод общих оппонентов 17
3.6. Степень неопределенности матча 17
3.7. Стиль игроков 18
3.8. Усталость игрока 19
3.9. Работа с пропущенными данными 19
3.10. Итоговый набор характеристик 20
4. Обучение модели 22
4.1. Оценка модели 22
4.2. Отбор характеристик и настройка параметров . . . 23
4.3. Настройка параметров алгоритмов 25
4.4. Ансамбль алгоритмов 26
5. Результаты и реализация 27
5.1. Результат работы модели 27
5.2. Симуляция ставок в букмекерской конторе 27
5.3. Программная реализация 28
6. Заключение 30
7. Приложение. Правила игры в теннис 31
Список литературы 33
Большой теннис — один из самых популярных видов спорта в мире.
Ежегодно серия ATP (Ассоциация теннисистов-профессионалов) проводит
более 6000 матчей. Трансляции финалов крупнейших турниров наблюдают
десятки миллионов человек. Из-за огромного интереса к этому виду спорта, сумма ставок растет быстрыми темпами. Всплеск в области изучения
методов машинного обучения и большое количество информации о матчах
обусловили развитие построения моделей для оценивания теннисистов.
Самые первые модели [1] для оценки результатов теннисных матчей
строились лишь на основе вероятности выигрыша очка теннисистом. Такие модели просты для понимания, но не учитывают множество факторов
(усталость, рейтинг, стиль игрока и т.д.). A. Madurska [8] рассмотрел модели с использованием метода общих оппонентов. Данный метод улучшил
результаты предыдущих работ.
С развитием машинного обучения стали использоваться такие алгоритмы, как логистическая регрессия и нейронные сети. Cтал увеличиваться
набор характеристик игроков и матча, используемых в алгоритмах. Данная работа отталкивается от результатов, полученных в работе M. Sipko
[9]. В отличии от предложенной там модели, были применены новые алгоритмы машинного обучения, которые хорошо показывают себя на практике
в задачах классификации. Метод создания новых характеристик игроков
был изменен.
Работа состоит из 6 глав и введения. В 1 главе ставится постановка
задачи и даются основные определения. Глава 2 содержит описание используемых алгоритмов машинного обучения. В главе 3 рассказывается о
необходимых преобразование данных для модели. Глава 4 содержит описание обучения модели. В главе 5 показаны результаты работы модели и её6
реализация. В главе 6 описаны итоги работы. Приложение содержит в себе
правила игры в теннис.
В ходе работы получены следующие результаты:
∙ разработана и протестирована модель для оценки пар игроков в мужском теннисе,
∙ описаны новые способы получения характеристик игроков,
∙ протестированы новые алгоритмы машинного обучения,
∙ результаты, полученные с помощью предложенной в работе модели,
в среднем превосходят результаты из работы [9] на 7 процентов.
