“Big Data大數據”是近幾年科技行業最喜歡提的詞彙。從 Google 到中國百度，都提出要發展“深度學習”的方針。而百度為了能發展該技術，不遠萬里在矽谷設立研究院，還從 Google挖來“機器學習”領域的先鋒人物吳恩達，負責“百度大腦”計畫。至於未來戰略方向轉為“行動為先、雲端為先”的微軟，最近也披露“大數據”相關的計畫 Project Adam，將挑戰Google 的 Google Brain 計畫。
現在，我們可以看到部分“大數據”在實際運用的後果。在四年一屆的世界盃裡， Google、百度還微軟均利用“大數據”預測出每支球隊的比分情況，甚至還相當地準確——一方面，體育行業發展多年，每名球員每場比賽的資料均有詳盡的記錄，方便專家研究和解讀，同樣這些已經分門歸類的有效資料也可以被電腦利用；另一方面，由於體育遊戲的規則很多，預測分支的數量可以控制在一定規模，這也方便電腦進行預測。
由於體育行業的特殊性，未來該領域裡將出現不少“大數據”案例。不過，在討論未來之前，我們不妨探討一下“大數據”運用在體育行業的實際方法。比如說，如何讓機器明白棒球比賽當中，人們如何作出決策，以及如何讓這些模型隨時適應新資料，並運用在新的比賽當中。
根據 FastCompany 的報導，最近 GigaOm Structure 會議上，來自博思艾倫諮詢公司的雷·亨斯伯格（Ray Hensberger）分享他以及團隊為 MIT Sloan Sports Analytics 會議準備的論文——現在，他的團隊利用美國職業棒球大聯盟的資料提煉出數據模型，可以即時預測一名投手將投出怎樣球，以及何時投出，準確率高達 74.5%。
亨斯伯格介紹，團隊先從 900 個投手著手，分析他們的比賽資料，後來又採用排除法，將過去三個賽季投球數量少於 1000 的球手排除掉，這樣就只剩下 400 名投手作為資料分析的樣本。除了投手本身的資料外，團隊也分析當前比賽的資料，比如場地類型、擊球數等等；還有一些和比賽相關的情況，比如回合數、出局數以及球場上的人數和球員的位置；至於球手，他們的分析條件將包括投手的偏好性，曲球的出手時機、快速球的速度、球場選擇的一般規律、滑球的運動等等。
通過大量的資料獲取以及綜合分析，找出其中的關聯性，亨斯伯格和團隊最終為每名投手的構建個性數據模型，能夠預測一名投手在賽場上會作出怎樣的投球決策。他們所採用的數據模型，已經總結到一本名為《The Field Guide To Data Science》的書裡。
構建數據模型的過程可能沒有我們想像中的難，而如何證明數據模型是可靠的，卻很關鍵。亨斯伯格說，構建了數據模型之後，團隊對模型進行了 5 重交叉驗證。這種交叉驗證是能夠觀察，為數據模型輸入陌生的資料集後， 是否有異常的表現。“你不會需要一個基於歷史數據預測準確度達 100% 的數據模型。如果不經過交叉驗證， 而把數據模型推出去，人們大概會認為你模型只不過適合自己所擁有的數據。”
數據模型通過驗證後，亨斯伯格和團隊就採用“支持向量機”（Support Vector Machine）機器學習方法中的“一對多方法”（one-versus-rest）來預測下一場比賽當中投球手的投球決策。他們以三種不同的角度來看待數據：
· 基於用球數來預測：看比賽局勢有利或不利，或者用球數持平的情況下；
· 基於“左右病”（platoon system）來預測，看球場上是否用右撇子打擊手應對左撇子投手，反之亦然；
· 使用“樣本外檢驗”的方法來訓練數據模型，保證它能正常工作。
亨斯伯格和團隊在構建投手的數據模型時還發現，部分投手的投球決策在一定的情況下十分好預測。不過，投手投球的可預測性高低和他的比賽成績沒有關聯。亨斯伯格發現，15 個最可預測的球員當中，有 8 個來自有名的辛辛那提紅人隊和聖路易紅雀隊。另外，“左右病”策略也會影響比賽的成績。
儘管“大數據”經過大量爆光，Google、微軟、百度也通過自己的預測來證明大數據實際運用的例子，但是根據 MIT Sloan Sports Analytics 會議的聯合創始人、聯合主席潔西嘉·吉爾曼（MIT Sloan Sports Analytics）稱，體育資料分析目前不是主流，而且不是所有運動都可以運用這條方法。比如說冰上曲棍球比賽，預測往往失準。不過，某些運動又可以更快地適用數據分析，在這些運動當中，數據分析能夠發揮顯著的價值。
如果要在體育行業推廣“大數據”分析方法，行業聯盟是繞不過去的門檻。現在，美國職業美式足球、大聯盟，還有英格蘭超級聯賽都已經引入了數據分析，至於棒球運動，幾乎每家棒球隊都擁有一個分析小組。至於商業方面，數據分析還可説明體育場吸引那些在家通過電視看比賽的人。
不過，即便是亨斯伯格和團隊構建的數據模型的預測能夠達到 100% 準確率，比賽的關鍵還在於賽場上的人。在 70 年代的美國職業棒球比賽上，史蒂夫·卡爾頓就依靠“滑球”這一招半式，在 24 年代職業生涯中投出 329 勝的佳績。對方往往知道卡爾頓要投什麼球，但是就是擊不到球，或者擊斷球棒。
戰略都是完美的，但戰術往往無法完美。
全站熱搜
留言列表
生技醫療產業 (1)