머신러닝 기반 골프선수의 경기 스타일 분류 및 예측 시스템 개발
Development of a Machine Learning-Based System for Classifying and Predicting Golf Players' Playing Styles
1
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
[목적] 본 연구는 KPGA 선수들의 경기력 기술 요인 데이터를 기반으로 선수들의 경기 스타일을 유형화하고, 이를 자동으로 분류할 수 있는 지도학습 기반 모델을 구축하여 적용 가능성을 검토하는 데 목적이 있다. [방법] 2015년부터 2024년까지 KPGA 코리안투어에 참가한 선수들의 6가지 경기력 기술 요인 데이터를 수집하여 분석에활용하였다. 기술 요인을 z-점수로 표준화한 뒤, K-평균 군집분석을 통해 선수들의 경기 스타일을 군집화하고, 이를 바탕으로 다섯 가지 지도학습 기법(의사결정나무, 랜덤 포레스트, K-최근접 이웃, 서포트 벡터 머신, 다항 로지스틱 회귀)을 적용하여 자동 분류 모델을 구축하였다. 각 모델의 예측 성능은 정확도, 정밀도, 재현율, F1-점수를 기준으로 평가하였으며, 5-fold 교차검증을 통해 일반화 성능을 검증하였다. [결과] 첫째, KPGA 선수들의 경기 스타일은 4개의 유형으로 군집화되었으며, 각 군집은 기술적 특성에 따라 ‘전반적 약세형’, ‘거리 약세·기술 우수형’, ‘정확성 특화형’, ‘장타·위험 관리형’으로 명명되었다. 둘째, 지도학습 기법 비교 결과, 다항로지스틱 회귀분석이 가장 높은 예측 성능을 보였으며, SVM, KNN, 랜덤 포레스트, 의사결정나무 순의 예측 성능을 나타냈다. [결론] KPGA 코리안투어 선수들의 경기 스타일은 기술 요인 데이터를 기반으로 4개의 그룹으로 명확히 구분될 수 있으며, 이를 자동으로 분류·예측할 수 있는 지도학습 기반 모델의 적용 가능성 또한 확인되었다. 이러한 결과는 향후 선수 맞춤형훈련 전략 수립, 코스 환경별 경기 운영 전략 도출, 나아가 AI 기반 스포츠 분석 시스템 개발에 있어 실질적인 기여를 할 수있을 것으로 기대된다.
Abstract
PURPOSE This study sought to classify the playing styles of KPGA players based on performance-related technical factors and develop a supervised learning model that automatically predicts and classifies these styles. METHODS Performance data were gathered from KPGA Korean Tour players between 2015 and 2024, focusing on six key technical indicators. Distinct playing styles were identified by standardizing the variables using z-scores and then clustering them using the K-means algorithm. Based on the clustering results, predictive classification models were built by applying five supervised learning algorithms—decision tree, random forest, K-nearest neighbors (KNN), support vector machine (SVM), and multinomial logistic regression. Model performance was then evaluated using accuracy, precision, recall, and F1-score, with generalizability assessed via five-fold cross-validation. RESULTS Four playing style clusters were obtained, each labeled according to players’ technical characteristics: “overall weakness type,” “distance-deficient but technically proficient type,” “accuracyoriented type,” and “power and risk-management type.” The multinomial logistic regression model showed the highest predictive performance, followed by SVM, KNN, random forest, and decision tree. CONCLUSIONS This study confirmed that KPGA players can be characterized into four distinct playing styles based on their technical performance data and that these styles can be effectively classified and predicted by supervised learning models. These findings highlight the models’ practical applicability in personalizing training strategies, developing course-specific game plans, and contributing to the advancement of AI-based sports analytics systems.