[论文解读] Random forest model identifies serve strength as a key predictor of tennis match outcome

Zijian Gao, Amanda Kowalczyk|arXiv (Cornell University)|Oct 8, 2019

Sports Analytics and Performance参考文献 18被引用 5

一句话总结

本研究使用随机森林机器学习模型对大规模网球比赛数据集进行分析，预测比赛结果的准确率超过80%。研究发现发球强度是最重要的预测因子，其表现优于仅依赖投注赔率的预测方法，并通过模型集成方法紧密复现了市场概率。

ABSTRACT

Tennis is a popular sport worldwide, boasting millions of fans and numerous national and international tournaments. Like many sports, tennis has benefitted from the popularity of rigorous record-keeping of game and player information, as well as the growth of machine learning methods for use in sports analytics. Of particular interest to bettors and betting companies alike is potential use of sports records to predict tennis match outcomes prior to match start. We compiled, cleaned, and used the largest database of tennis match information to date to predict match outcome using fairly simple machine learning methods. Using such methods allows for rapid fit and prediction times to readily incorporate new data and make real-time predictions. We were able to predict match outcomes with upwards of 80% accuracy, much greater than predictions using betting odds alone, and identify serve strength as a key predictor of match outcome. By combining prediction accuracies from three models, we were able to nearly recreate a probability distribution based on average betting odds from betting companies, which indicates that betting companies are using similar information to assign odds to matches. These results demonstrate the capability of relatively simple machine learning models to quite accurately predict tennis match outcomes.

研究动机与目标

• 开发一种快速、准确的机器学习模型，利用公开的网球比赛数据预测比赛结果。
• 识别影响比赛结果的最重要球员层面和比赛层面特征。
• 将模型预测结果与现实世界的投注赔率进行比较，评估其与市场信息的一致性。
• 评估简单机器学习模型在体育分析中相较于复杂替代方案的表现。

提出的方法

• 从多个国际赛事中构建了大规模、清洗后的网球比赛记录数据集。
• 应用随机森林分类器，基于球员和比赛层面的特征预测比赛结果。
• 使用排列特征重要性方法对输入变量（包括发球强度）的预测能力进行排序。
• 通过三个模型的预测结果集成，近似还原投注市场隐含的概率分布。
• 使用标准机器学习指标（包括准确率和AUC）训练并评估模型。
• 通过将模型输出分布与主要公司平均投注赔率进行比较，验证模型的稳健性。

实验结果

研究问题

• RQ1 哪些球员层面和比赛层面的特征对网球比赛结果最具预测力？
• RQ2 像随机森林这样的简单机器学习模型能否在网球比赛中实现高预测准确率？
• RQ3 模型预测结果与实际投注市场赔率的对齐程度如何？
• RQ4 发球强度与其他表现指标相比，在预测比赛结果方面表现如何？
• RQ5 集成建模能否有效重构专业投注公司所使用概率分布？

主要发现

• 随机森林模型的预测准确率超过80%，显著优于仅依赖投注赔率的预测结果。
• 根据排列特征重要性分析，发球强度被确定为预测比赛结果的最重要指标。
• 三个模型的集成结果紧密复现了由平均投注公司赔率推导出的概率分布，表明两者使用了相似的信息。
• 该模型表现证明，相对简单的机器学习方法即可在体育结果预测中实现高准确率。
• 本研究证实，关键表现指标（如发球强度）在市场赔率中系统性地体现，验证了模型在现实世界中的相关性。
• 模型训练和预测速度快，支持其在体育分析和投注中的实时应用。