Koneoppimismenetelmien hyödyntäminen jääkiekkodatan avulla tehtäviin ottelu- ja pelaajaennusteisiin

Abstract

Jääkiekko on yksi suosituimmista urheilulajeista etenkin Pohjois-Amerikassa ja Pohjoismaissa. Jääkiekko on nopeavauhtinen peli, jossa tapahtuu useita erilaisia tapahtumia, kuten laukauksia, syöttöjä, taklauksia ja tappeluita. Lajin fyysisyys johtaa siihen, että useat pelaajat loukkaantuvat uransa aikana esimerkiksi aivotärähdykseen. Otteluissa satunnaisuudella on suuri rooli tapahtumien kulussa, ja vaikka jääkiekosta on tarjolla runsaasti erilaisia tilastoja, ei tilastoista suoraan voida päätellä mitä tulevissa otteluissa tulee tapahtumaan. Tämän takia tapahtumien ennustamiseen on pyritty keksimään kehittyneempiä menetelmiä, kuten koneoppimisalgoritmien hyödyntämistä. Koneoppiminen on yksi tekoälyn osa-alueista, jossa algoritmit pyrkivät ratkaisemaan ongelmia datan avulla ilman suoria ratkaisuohjeita, minkä takia koneoppimismalleja voi käyttää myös monimutkaisiin ongelmiin. Selvitin, kuinka koneoppimismenetelmiä voi hyödyntää jääkiekkodatan avulla tehtäviin ennusteisiin, kuinka mallit suoriutuivat sekä mitä piirteitä malleissa hyödynnettiin. Suurin osa aiemmasta kirjallisuudesta onnistui ennustamaan jääkiekko-otteluiden voittajia hieman alle 60 % tarkkuudella. Osa aiemmista menetelmistä pääsi noin 77 % tarkkuuteen ja yksi tutkimus sai testidatalle jopa 91,8 % tarkkuuden. Pelaajien loukkaantumisten osalta aivotärähdysten ennusteissa päästiin AUC:lla mitattuna parhaimmillaan arvoon 0,79, mikä on parempi kuin NHL:n ottelutarkkailijoiden tarkkuus. Tulevien kausien loukkaantumisia ennustettiin tarkasti, noin 95 % tarkkuudella. Myös pelaajien ja maalivahtien luokitteluun saatiin tarkkoja tuloksia koneoppimismenetelmillä. Suurin osa aiheen aiemmasta kirjallisuudesta koski maailman suosituinta jääkiekkoliigaa NHL:ää. Jatkossa tutkimuksia voisi kohdentaa pienempiin eri maiden liigoihin, jotta aiemman kirjallisuuden yleistyttävyys selkeytyisi. Lisäksi aiemman kirjallisuuden tutkimukset koostuivat perinteisemmistä koneoppimismalleista, joten tulevaisuudessa esimerkiksi neuroverkkojen hyödyntäminen voisi lisätä ennusteiden tarkkuutta.