머신러닝(XGBoost)기반 미국프로야구(MLB)의 투구별 안타 및 홈런 예측 모델 개발
Development of Hit and Home-Run Prediction Model for Each Pitch in Major League Baseball(MLB) Based on Machine Learning(XGBoost)
0
조회
0
다운로드
9
인용
0
참고문헌
키워드
초록
최근 야구 종목의 인공지능 기반의 예측 연구는 점진적인 발전을 보이며, 다각도의 연구가 진행되고 있다. 보편적으로 타자의 홈런과 안타를 예측하기 위해서 타구의 발사각도, 타구속도 등의 요인이 활용된다. 그러나 타구결과인 발사각도 및 타구속도는 투수의 투구와 상관이 높다. 따라서 이 연구에서는 타자의 타격정보를 제외하고, 투수의 투구정보만을 활용하여 홈런과 안타를 예측하는 인공지능 모델을 개발하였다. 모델개발을 위해 2022시즌 미국프로 야구(MLB)의 투구데이터를 수집하였으며, 구종, 투구존, 타자위치, 투수주손, 볼카운트, 스트라이크카운트의 변수를 독립변수로 홈런과 안타 결과를 종속변수(예측변수)로 하는 인공지능 모델을 개발하였다. 인공지능 모델은 머신러닝 기법 중 하나인 XGBoost를 사용하여 개발하였다. 개발 결과, 정확도 86.92%, 정밀도 99.90%, 재현율 86.95%, F1 score 92.98% 성능의 인공지능 예측 모델이 개발되었다. 아울러 개발 모델에 미국프로야구(MLB)의 투수인 류현진의 투구데이터를 적용하여 데이터 탐색적 분석을 수행하여, 개인 선수의 보편성과 특징을 확인하였다.
Abstract
Recently, research on artificial intelligence-based prediction of baseball has been gradually developed, and various studies are being conducted. In general, variables such as launch angle and launch speed are used to predict hitters' home-run and hit. However, launch angle and launch speed(batting results) are correlated with the pitcher's pitching. Therefore, in this study, the artificial intelligence model that predict home-run and hit was developed using only the pitcher's pitching information, excluding the batting information of the hitter. To develop the artificial intelligence model, pitching data from the 2022 season of the Major League Baseball(MLB) collected. (independent variable : pitch type, release speed, zone, stand, pitch throws, ball count, strike count / dependent(prediction) variable : hit and home-run) The artificial intelligence model was developed using XGBoost, one of the machine learning method. As a result of the development, the artificial intelligence model performance was accuracy 86.92%, precision 99.90%, recall 86.95%, and F1 score 92.98%. Ryu Hyun-jin(MLB pitcher)'s pitching data was applied to the developed artificial intelligence model and confirmed characteristics of individual.
참고문헌 (14)
- "에이스의 이유 있는 미소" (2022), 김영록[URL]
- 김주학, "야구 경기 승패 예측을 위한 합성곱 신경망(CNN) 최적화 연구", 한국체육측정평가학회지, 24(4), pp.153~165 (2022), 한국체육측정평가학회[DOI]
- 서영진, "기계학습 기법을 이용한 한국프로야구 승패 예측 모델", 한국컴퓨터정보학회논문지, 24(2), pp.17~24 (2019), 한국컴퓨터정보학회[DOI]
- 신동윤, "한국프로야구에서 장타율과 출루율(OPS) 예측 연구", 한국빅데이터학회 학회지, 7(1), pp.49~61 (2022), 사)한국빅데이터학회[DOI]
- (2019), 온다예[URL]
- 이인호, "트리 기반 앙상블 방법을 활용한 자동 평가 모형 개발 및 평가: 서울특별시 주거용 아파트를 사례로", 한국데이터정보과학회지, 31(2), pp.375~389 (2020), 한국데이터정보과학회[DOI]
- "MLB 타자들의 스윙존에 따른 스윙선택 성향분석. 미간행 석사학위논문" (2021), 조형석[URL]
- 최형준, "축구의 경기 결과 예측을 위한 머신러닝 기법 비교", 한국체육측정평가학회지, 24(4), pp.81~91 (2022), 한국체육측정평가학회[DOI]
- 한정섭, "머신러닝을 활용한 빅데이터 분석을 통해 KBO 타자의 OPS 예측", 차세대융합기술학회논문지, 6(1), pp.12~18 (2022), 국제차세대융합기술학회
- 홍종선, "2017년 한국프로야구 타자력 예측모형 개발", 한국데이터정보과학회지, 28(3), pp.635~646 (2017), 한국데이터정보과학회[DOI]
- Chen, T., "XGBoost : A Scalable Tree Boosting System", Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, pp.785~794 (2016)
- Gray, R., "A model of motor inhibition for a complex skill : Baseball batting", Journal of Experimental Psychology : Applied, 15(2), pp.91~105 (2009)[DOI]
- Hamilton M., "Applying machine learning techniques to baseball pitch prediction", Proceedings of the 3rd International Conference on Pattern Recognition Applications and Methods (ICPRAM-2014), pp.520~527 (2014)
- "SmartPitch: Applied Machine Learning for Professional Baseball Pitching Strategy. degree of Master of Engineering in Electrical Engineering and Computer Science" (2022)[URL]