[논문 리뷰] Predicting Outcome of Indian Premier League (IPL) Matches Using Machine Learning

Rabindra Lamsal, Ayesha Choudhary|arXiv (Cornell University)|2018. 09. 26.

Sports Analytics and PerformanceEconomics, Econometrics and Finance인용 수 19

한 줄 요약

이 논문은 인도 프리미어 리그(IPL) T20 경기의 결과를 예측하기 위해 기계학습 프레임워크를 제안한다. 선수 성과 지표와 팀 전력 점수를 사용하며, 경기 결과에 影響을 미치는 일곱 가지 핵심 요인을 모델링하고, 역사적 데이터로 여섯 가지 모델을 훈련시켜, 경기 시작 15분 전에 다층퍼셉트론을 사용해 71.66%의 정확도를 달성하였다. 이는 2018년 IPL 경기 결과 예측에서 다른 모델들을 능가하는 성과이다.

ABSTRACT

Cricket, especially the Twenty20 format, has maximum uncertainty, where a single over can completely change the momentum of the game. With millions of people following the Indian Premier League (IPL), developing a model for predicting the outcome of its matches is a real-world problem. A cricket match depends upon various factors, and in this work, the factors which significantly influence the outcome of a Twenty20 cricket match are identified. Each player's performance in the field is considered to find out the overall weight (relative strength) of the teams. A multivariate regression based solution is proposed to calculate points for each player in the league and the overall weight of a team is computed based on the past performance of the players who have appeared most for the team. Finally, a dataset is modeled based on the identified seven factors which influence the outcome of an IPL match. Six machine learning models were trained and used for predicting the outcome of each 2018 IPL match, 15 minutes before the gameplay, immediately after the toss. Three of the trained models were seen to be correctly predicting more than 40 matches, with Multilayer Perceptron outperforming all other models with an impressive accuracy of 71.66%.

연구 동기 및 목표

• 기계학습을 사용해 IPL T20 경기 결과를 예측하는 모델을 개발한다.
• IPL에서 경기 결과에 가장 큰 영향을 미치는 일곱 가지 요인을 식별하고 정량화한다.
• 선수 성과와 역대 참가 기록을 바탕으로 팀 전력 점수를 계산한다.
• 실시간 경기 예측에서 예측 정확도를 평가하기 위해 다수의 기계학습 모델을 평가한다.
• 역사적 데이터를 사용해 투수 후 15분 내에 신뢰할 수 있는 경기 전 예측을 달성한다.

제안 방법

• 다변량 회귀 모델이 IPL에서의 과거 성과를 바탕으로 개별 선수의 점수를 계산한다.
• 팀 전력은 각 팀의 최고 출전 기록을 가진 선수들의 가중치가 부여된 점수의 합으로 계산된다.
• 경기 결과에 영향을 미치는 일곱 가지 핵심 요인을 추출하고, 이를 기반으로 예측 데이터셋을 구성한다.
• 다층퍼셉트론, 랜덤 포레스트, 서포트 벡터 머신(SVM)을 포함한 여섯 가지 기계학습 모델을 2018년 IPL 경기 데이터로 훈련시킨다.
• 실시간 팀 편성과 선수 통계를 사용해 투수 후 15분 내에 예측을 수행한다.
• 모델 성능은 2018년 IPL 시즌의 테스트 데이터에 대한 정확도를 사용해 평가된다.

실험 결과

연구 질문

• RQ1 IPL T20 경기 결과에 가장 크게 영향을 미치는 요인은 무엇인가?
• RQ2 선수 성과 지표를 집계해 신뢰할 수 있는 팀 전력 점수를 도출할 수 있는가?
• RQ3 경기 전 데이터를 사용해 기계학습 모델이 IPL 경기 결과를 얼마나 정확하게 예측할 수 있는가?
• RQ4 평가된 모델들 중에서 어떤 기계학습 모델이 IPL 경기 결과 예측에서 가장 우수한 성능을 보이는가?
• RQ5 투수 후 15분에 이루어진 예측이 역사적 선수 및 팀 데이터만으로도 높은 정확도를 달성할 수 있는가?

주요 결과

• 다층퍼셉트론 모델이 테스트된 모든 모델 중에서 가장 높은 예측 정확도 71.66%를 기록했다.
• 여섯 개의 모델 중 세 개가 2018년 IPL 시즌 동안 40场 이상을 올바르게 예측했다.
• 모델은 15경기의 데이터를 기반으로 훈련 및 평가되었으며, 예측은 투수 후 15분에 이루어졌다.
• 선수 성과와 팀 편성은 경기 결과를 결정하는 데 핵심적인 요소로 밝혀졌다.
• 다변량 회귀를 통해 선수 점수를 할당하는 방식이 팀 전력 추정의 신뢰성을 향상시켰다.
• 최종 데이터셋은 IPL 경기 결과에 영향을 미치는 일곱 가지 핵심 요인을 통합하여 모델 훈련 및 평가의 기초가 되었다.