야구 경기 승패 예측을 위한 합성곱 신경망(CNN) 최적화 연구
A Study on Optimization of Convolutional Neural Network (CNN) for Win-Loss Prediction of Baseball Game
0
조회
0
다운로드
15
인용
0
참고문헌
키워드
초록
최근 야구 종목의 인공지능 기반의 승패 예측 연구는 점진적인 발전을 보이며, 머신러닝에서 딥러닝까지 다각도의 연구가 진행되고 있다. 인공지능의 학습 성능은 설계된 모델의 하이퍼 파라미터에 값에 영향을 받으며, 최적의 하이퍼 파라미터 값을 찾는 것은 인공지능 모델 설계에서 필수적인 과정이다. 이 연구는 야구 경기의 승패 예측을 위한 합성곱 신경망(CNN)의 최적화 모델을 개발하는 연구로, 성능 최적화를 위해 하이퍼 파라미터 튜닝 방법을 적용하였다. 연구의 목적 달성을 위해 이 연구는 크게 세 단계로 구분된다. 첫 번째 단계는, Sequential 기반의 합성곱 신경망 모델을 1차 개발하는 단계이다. 두 번째 단계는 첫 번째 단계에서 개발한 모델의 하이퍼 파라미터 항목을 조절하여 성능을 비교하는 실험을 10회 진행하여, 최적의 하이퍼 파라미터 값을 찾는 단계이다. 실험결과 최적 성능의 하이퍼 파라미터는 필터(커널) 크기 ‘3*3’, 학습비 ‘8:2’, 배치 사이즈 ‘32’, 에포크 ‘10’으로 결정하였다. 마지막 단계는, 결정한 하이퍼 파라미터를 적용하여 최적의 야구 승패 예측을 위한 합성곱 신경망 모델을 개발하는 단계로, 최종 모델의 성능은 정확도 '84.79', 정밀도 ‘84.84’, 재현율 ‘84.58’, F1 score ‘84.78’로 확인되었다.
Abstract
Recently, artificial intelligence-based win-loss prediction study in baseball is gradual development from machine learning to deep learning. The training performance of artificial intelligence is affected by the values of the hyper parameter of the designed model. Therefore, finding optimal hyper parameter values is essential in artificial intelligence model design. This study is to develop an optimization model of a Convolutional Neural Network(CNN) for predicting the win/loss of a baseball game, and the hyper parameter tuning method was applied for performance optimization. This study consists of three steps. The first step is to develop the Sequential-based Convolutional Neural Network model. The second step is to find the optimal hyper parameter value by conducting 10 experiments to compare the performance by adjusting the hyper parameter values of the model developed in the first step. As a result of the experiments to compare, the optimal performance hyper parameter values were determined as filter (kernel) size ‘3*3’, learning ratio ‘8:2’, batch size ‘32’, and epoch ‘10’. The last step is to develop a Convolutional Neural Network model for optimal win/loss prediction by applying the determined hyper parameter values. The performance of the final model was confirmed with accuracy ‘84.79’, precision ‘84.84’, recall ‘84.58', and F1 score ‘84.78’.
참고문헌 (17)
- 김원종, "데이터 마이닝을 활용한 한국 프로야구 구단의 승패예측과 승률향상을 위한 전략 도출 연구", 한국스포츠산업경영학회지, 23(3), pp.88~104 (2018), 한국스포츠산업경영학회[DOI]
- 김태훈, "인공지능 모델에 따른 한국 프로야구의 승패 예측 분석에 관한 연구", 한국빅데이터학회 학회지, 5(2), pp.77~84 (2020), 사)한국빅데이터학회[DOI]
- 서기성, "CNN 구조의 진화 최적화 방식 분석", 전기학회논문지, 67(6), pp.767~772 (2018), 대한전기학회
- 서영진, "기계학습 기법을 이용한 한국프로야구 승패 예측 모델", 한국컴퓨터정보학회논문지, 24(2), pp.17~24 (2019), 한국컴퓨터정보학회[DOI]
- 손재원, "라우드 환경에서 딥러닝 하이퍼 파라미터 최적화 가속을 위한 GPU 스케줄링 프레임워크", 석사, pp.2020
- 예원진, "2022 FIBA 남자농구 아시안컵 경기결과를 활용한 머신러닝 분류 모형의 예측 성능 비교", 한국체육측정평가학회지, 24(3), pp.53~69 (2022), 한국체육측정평가학회[DOI]
- 이만규, "세이버 매트릭스를 적용한 프로야구 타자의 경기력과 연봉과의 관계", 석사, 스포츠경영, pp.2006
- 이상인, "한국프로야구 기록 분석을 통한 투수의 경기력지수 개발", 석사, pp.2015
- 이영훈, "한국프로야구 경기력 결정요인에 관한 실증분석", 한국체육측정평가학회지, 9(2), pp.63~77 (2007), 한국체육측정평가학회[DOI]
- 이재은, "합성곱 신경망에서 이미지 분류를 위한 하이퍼파라미터 최적화", 융합신호처리학회 논문지, 21(3), pp.148~153 (2020), 한국융합신호처리학회[DOI]
- 장재열, "한국 프로야구 선수 경기력과 연봉에 대한 비용효율성 분석", 석사, pp.2016
- 조선미, "인공지능 기반 한국프로야구 선발 투수 교체예측 모형 개발", 박사, pp.2022
- 조억, "인구 기반 트레이닝 밴딧 알고리즘을 이용한 강건한 하이퍼파라메터 최적화 기법", 대한산업공학회 추계학술대회 논문집, pp.2136~2157 (2020)
- 한진, "시계열 예측 모델의 특징 벡터 기반의 하이퍼 파라미터 최적화", 한국정보통신학회 종합학술대회 논문집, 24(1), pp.78~30 (2020)[DOI]
- Aszemi, N. M., "Hyperparameter optimization in convolutional neural network using gen etic algorithms", International Journal of Advanced Computer Science and Applications, 10(6), pp.269~278 (2019)
- Mei-Ling Huang, "Use of Machine Learning and Deep Learning to Predict the Outcomes of Major League Baseball Matches", Applied Sciences, 11(10), pp.4499~ (2021), MDPI AG[DOI]
- Yuzhu Ji, "CNN-based encoder-decoder networks for salient object detection: A comprehensive review and recent advances", Information Sciences, 546, pp.835~857 (2021), Elsevier BV[DOI]