|
|
Real-Time Prediction of Football Matches Results
Drankou, Aliaksandr ; Bartík, Vladimír (referee) ; Hynek, Jiří (advisor)
Tato práce se zabývá problematikou predikce výsledků fotbalových zápasů v reálném čase. Skládá se z několika kroků, včetně získání vhodného souboru dat a trénování predikčního modelu. Predikční model je reprezentován dvěma typy neuronových sítí: dopředné a rekurentní, která je představená LSTM. Různé kombinace vstupních parametrů jsou testovány pro dosažení nejlepšího výkonu modelů, včetně dostupných sázkových kurzů. Oba modely dosáhly klasifikační přesnosti přibližně 67,5%, kde dopředná neuronová síť začíná od přesnosti 54% na začátku zápasu a dosahuje přesnosti 93,54% na konci zápasu. Kromě široce používaných metrik, jako je kategorická přesnost, každý model je vyhodnocován v simulovaném sázkovém prostředí.Experimenty v rámci hodnocení sázek ukázaly, že LSTM nemůže konkurovat dopředným neuronovým sítím, jelikož v každém sázkovém běhu skončila LSTM s bilancí nižší než o 90%. Dopředná neuronová síť však dosáhla návratnosti investic ve výši 0,39% při provádění simulace sázení s jednou z testovacích konfigurací. Výsledkem je, že neuronové sítě, zejména dopředné, se ukázaly jako docela úspěšné řešení, pokud jde o předpovídání výsledků fotbalových zápasů v reálném čase. Navíc, dopředná neuronová síť může posloužit jako základ pro úspěšnou strategii sázení.
|
|
|
Real-Time Prediction of Football Matches Results
Drankou, Aliaksandr ; Bartík, Vladimír (referee) ; Hynek, Jiří (advisor)
Tato práce se zabývá problematikou predikce výsledků fotbalových zápasů v reálném čase. Skládá se z několika kroků, včetně získání vhodného souboru dat a trénování predikčního modelu. Predikční model je reprezentován dvěma typy neuronových sítí: dopředné a rekurentní, která je představená LSTM. Různé kombinace vstupních parametrů jsou testovány pro dosažení nejlepšího výkonu modelů, včetně dostupných sázkových kurzů. Oba modely dosáhly klasifikační přesnosti přibližně 67,5%, kde dopředná neuronová síť začíná od přesnosti 54% na začátku zápasu a dosahuje přesnosti 93,54% na konci zápasu. Kromě široce používaných metrik, jako je kategorická přesnost, každý model je vyhodnocován v simulovaném sázkovém prostředí.Experimenty v rámci hodnocení sázek ukázaly, že LSTM nemůže konkurovat dopředným neuronovým sítím, jelikož v každém sázkovém běhu skončila LSTM s bilancí nižší než o 90%. Dopředná neuronová síť však dosáhla návratnosti investic ve výši 0,39% při provádění simulace sázení s jednou z testovacích konfigurací. Výsledkem je, že neuronové sítě, zejména dopředné, se ukázaly jako docela úspěšné řešení, pokud jde o předpovídání výsledků fotbalových zápasů v reálném čase. Navíc, dopředná neuronová síť může posloužit jako základ pro úspěšnou strategii sázení.
|
guest ::
