| Abstract |
Futbols ir pasaulē populārākais sporta veids, kas spēļu laikā uz pasaules lielākās skatuves piesaista vairāk kā miljards skatītāju. Dotā pētījuma laikā tika analizēti arī citi saistīti pētījumi un statistika. Tie atklāj, ka gandrīz puse no futbola lielākā turnīra laikā aizvadītajām spēlēm tika izšķirtas ar 11 metru soda sitieniem. Kā liecina pētījumi, zaudējuma vai uzvaras cena var būt vairāki miljoni ASV dolāru. Tomēr, kad spēle nonāk līdz 11 metru soda sitieniem, izredzes gūt vārtus un atvairīt sitienu izrādās ne tuvu vienlīdzīgas. Šī pētījuma laikā analizētā literatūra liecina, ka soda sitienu izpildītājiem ir krietna priekšrocība. Tas, galvenokārt, ir saistīts ar spēju izmantot māņkustības un vārtsargu statistisko neiespējamību savlaicīgi reaģēt, sitienu ātruma un attāluma dēļ. Tāpēc vārtsargiem, lielā mērā, ir jāmin, lai viņiem būtu iespēja atvairīt sitienu.
Šī pētījuma mērķis ir izveidot mašīnmācīšanās algoritmu, kas spēj paredzēt 11 metru soda sitienu novietojumu vārtos, kā arī vārtsarga pozīciju vārtos, lai optimizētu soda sitienu stratēģiju. Lai to paveiktu, vispirms autors izveidoja datu bāzi, kurā tika apvienoti dati no publiski pieejamas datu bāzes Transfermarkt, kā arī tika veikta papildus video analīze, izmantojot YouTube. Datubāze sastāv no 11 metru soda sitieniem, kurus izpildījuši pieci dažādi profesionāli vīriešu futbolisti no dažādām futbola līgām visā pasaulē. Kopumā datu bāze sastāv no 472 analizētiem 11 metru soda sitieniem. Pēc datu bāzes izveides autors izveidoja mašīnmācības risinājumu, izmantojot Python programmēšanas valodu. Autora izstrādātais risinājums izmanto vairākas bibliotēkas datu manipulācijām un datu vizualizēšanai. Datu manipulācijām autors izmantoja Pandas, Scikit-learn priekš mašīnmācīšanās rīkiem, bet vizualizācijām – Matplotlib un Seaborn. Kā dotā pētījuma mašīnmācīšanās pamatu, autors izmantoja Random Forest Classifier. Izstrādātais risinājums ietver arī savstarpēju validāciju, kas nozīmē, ka algoritms tika apmācīts, pamatojoties uz noteiktu daļu no datiem, un vēlāk tika pārbaudīts pret atlikušajiem datiem.
Autora izstrādātais risinājums tika pārbaudīts uz nepilnīgiem datiem. Dotajā gadījumā, katram spēlētājam no datu bāzes tika izņemti 10 pēdējie izpildītie 11 metru soda sitieni. Tas tika darīts ar nolūku, lai vēlāk pārbaudītu risinājuma prognozes pret reālajiem rezultātiem. No 50 kopējiem 11 metru soda sitieniem, autora izstrādātais risinājums spēja pareizi paredzēt 22 soda sitienu novietojumu vārtos. Turklāt, autora izstrādātais risinājums spēja precīzi paredzēt vārtsargu pozīciju vārtos 26 reizes no 50. Binārās klasifikācijas precizitātes aprēķini atklāja, ka risinājuma precizitāte ir 44%, mēģinot paredzēt 11 metru soda sitienu novietojumu vārtos un 52%, mēģinot paredzēt vārstarga pozīciju. Tas nozīmē, ka atbilde uz izvirzīto pētījuma jautājumu: "Vai ir iespējams precīzi paredzēt 11 metru soda sitienu novietojumu vārtos vismaz pusei no gadījumu, izmantojot mašīnmācīšanos?" ir - nē.
Lai gan atbilde uz izvirzīto pētījuma jautājumu ir negatīva, šo pētījumu joprojām var izmantot 11 metru soda sitienu prognozēšanai, lai gan citā jomā. Analizētie pētījumi liecina, ka sporta zinātnes un kinemātikas jomā tiek izstrādāti līdzīgi risinājumi 11 metru soda sitienu prognozēšanai. Risinājumi šajās jomās, galvenokārt, ir balstīti uz cilvēka ķermeņa kustībām pirms sitiena. Tomēr šis pētījums var kalpot par pamatu, lai uzlabotu minētajās jomās notiekošos pētījumus, tādējādi palīdzot izveidot efektīvu 11 metru soda sitienu stratēģijas optimizācijas risinājumu.
Atslēgvārdi: Mašīnmācīšanās, futbols, 11 metru soda sitieni, prognozēšana |
