SHAP算法：一种分析篮球比赛制胜因素的新方法
-
-
随着人工智能技术在体育领域的逐步应用，利用机器学习技术对篮球比赛进行分析预测，能显著提高比赛胜负分析的准确性和效率。以往研究大多对篮球比赛胜负结果进行简单的预测和分析，缺乏对预测模型的可解释性分析以及针对比赛不同时段影响比赛结果重要因素的差异化分析等相关工作。因此，分析机器学习算法模型如何做出决策并揭示影响篮球比赛胜负的关键制胜因素是亟待解决的重要问题。美国华盛顿大学学者Lundberg和Lee在第31届NIPS（Conference and Workshop on Neural Information Processing Systems）发表的A Unified Approach to Interpreting Model Predictions 一文中提出了用于解释复杂机器学习模型的SHAP算法，并通过对比发现SHAP算法较其他解释算法有更好的计算表现与模型解释性。SHAP算法通过计算每一个特征变量的Shapley值来反映不同特征变量对于机器学习算法模型的贡献程度，进而从局部和全局2个角度解释复杂的机器学习算法模型的预测机制，通过应用SHAP算法能有效提高篮球比赛预测模型的解释性程度，深度挖掘不同时段的篮球比赛关键性影响因素。
研究以2021—2023赛季NBA比赛技术统计数据为样本，采用融合机器学习算法与SHAP算法对NBA比赛不同时段的胜负进行预测以及制胜因素分析。将XGBoost算法与LightGBM、K近邻、随机森林、决策树、支持向量机、逻辑回归等主流机器学习算法进行十折交叉验证对比实验，XGBoost算法在对比实验中5项评价指标（AUC值、F1分数、准确率、精确率和召回率）综合表现最佳，证明了机器学习XGBoost算法在NBA比赛胜负预测的优越性。研究发现，XGBoost算法可以较好地反映NBA比赛技术统计指标与比赛胜负情况之间的复杂非线性关系。在比赛所有时段，投篮命中率、防守篮板和失误是影响比赛胜负的关键指标。此外，在比赛上半场，助攻是影响比赛胜负的关键指标；在比赛下半场，进攻篮板和三分球命中率是影响比赛胜负的关键指标。综上，SHAP算法的应用为未来篮球赛事的制胜因素研究提供了新的方法和视角，可充分利用该方法探索竞技体育项目的胜负影响因素，根据不同竞技项目的特点，如技战术数据、球员状态、伤病情况等，构建全面、科学的比赛胜负预测模型。
-
期刊类型引用(2)
1. 张煜明，敬龙军. 基于GBDT模型的篮球比赛“四因素”对球队制胜模式影响研究——以巴黎奥运会与东京奥运会男子篮球赛为例. 体育科技文献通报. 2025(03): 11-14 . 
百度学术
2. 徐佳. 基于比赛数据分析初中篮球运动员训练效果优化策略. 新体育. 2024(22): 24-26 . 百度学术
其他类型引用(0)
计量
- 文章访问数: 504
- HTML全文浏览量: 219
- PDF下载量: 124
- 被引次数: 2
下载: