2볼-2스트라이크 상황에서 투수의 선택은 예측 가능한가?: 단계적 LSTM 기반 투구 예측 모형의 설계와 적용
Predicting Pitcher Decision-Making in 2-Ball 2-Strike Situations: A Sequential Two-Stage LSTM Approach for Pitch Type and Location Prediction
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
본 연구의 목적은 메이저리그 투수의 실제 경기 데이터를 바탕으로 2볼-2스트라이크 상황 이후 5번째 투구의구종과 위치를 예측하는 인공지능 모델을 개발하는 것이다. 이를 위해 Long Short-Term Memory(LSTM) 알고리즘을 활용하여 2단계 예측 구조를 설계하였다. 1단계에서는 직전 네 개 투구와 관련된 물리적 정보, 상황 맥락을 입력하여 구종에 대한 확률()을 산출하였고, 2단계에서는 동일 시퀀스에 1단계 를 추가 채널로 결합하여 투구 위치(몸쪽/ 바깥쪽)를 분류하였다. 시간 기반 데이터 분할과 검증 F1-score 최적 임계값을 기준으로 모델의 성능을 평가한 결과, 1단계 확률을 반영한 모형(with-prob)은 미반영 기저 모형 대비 예측력이 향상되었으며, McNemar 검정에서도통계적으로 유의한 차이를 나타냈다(<.001). 본 연구에서는 LSTM 예측 결과의 시각화를 통해 모델의 예측과 실제투구 위치 간의 일치 정도를 직관적으로 비교하였으며, 이를 통해 예측 난이도가 높은 조건이나 전략적으로 활용가능한 패턴(예: 특정 조합의 높은 정분류율)을 구체적으로 식별하였다. 이러한 투구 패턴의 식별은 구종별 임계값설정, 확률 보정, 변화구 전용 피처 보강 등 후속 투구 예측 모델의 개선 방향과 실전 적용 전략 수립에 실질적인기여를 할 수 있을 것이다.
Abstract
This study aims to develop an artificial intelligence model that predicts the pitch type and location of the fifth pitch following a 2-balls, 2-strikes count, based on actual game data from Major League Baseball (MLB) pitchers. To this end, a two-stage prediction architecture was designed using a Long Short-Term Memory (LSTM) algorithm. In Stage 1, the model estimated the probability () of the pitch type using the physical characteristics and contextual information of the four preceding pitches. In Stage 2, this probability was incorporated as an additional input channel to classify the pitch location (inside vs. outside). The model's performance was evaluated using temporally split datasets, and the optimal F1-score threshold was determined on the validation set. The model incorporating Stage 1 probabilities (with-prob) outperformed the baseline model without them, and a McNemar test showed the statistical significance of this improvement (p < .001). Furthermore, visualization of LSTM-based predictions enabled intuitive comparisons between predicted and actual pitch locations, facilitating the identification of conditions with low predictability as well as patterns with high strategic utility (e.g., consistently accurate predictions for specific combinations). These findings suggest that the proposed model can inform threshold calibration by pitch type, probability adjustment, and feature enhancement for breaking balls, thereby contributing to both the refinement of pitch prediction models and the formulation of data-driven in-game strategies.