본 연구는 신경망분석(NN : neural networks)을 활용하여 2002년 한·일 월드컵 축구대회의 64경기를 대상으로 하여 경기기록 자료를 바탕으로 최적 순위 예측모형을 개발하는 데 본 연구의 목적이 있다. 경기기록 자료는 FIFA 공식자료와 경기분석프로그램을 활용하여 확보하였다. 경기결과에 대한 예측율을 검증하기 위하여 신경망 분석 프로그램은 NeuroSolutions 5.0을 사용하였으며, 입력변수 학습시 MSE(mean squared error)의 기준은 0.0001이하로 설정하고, 입력변수별, 은닉층(3의 배수) 수에 따라 6개의 신경망 모델(150-은닉층-2, 130-은닉층-2, 110-은닉층-2, 90-은닉층-2, 70-은닉층-2, 50-은닉층-2)로 나뉘어 실험을 5회씩 실시하였다. 입력경기는 조별 예선 48경기(A팀 48경기, B팀 48경기, 총 96경기)를 입력하였으며, 경기결과 예측율 검증은 16강 진출 팀의 예선 3경기(A팀 16경기, B팀 16경기)의 평균값을 입력하여 확인하였다. 본 연구의 결과는 다음과 같다. 첫째, 150-은닉층-2 신경망 예측력 검증결과, 150-6-2 신경망이 평균 예측율(86.25%±2.8)로 가장 높게 나타났다. 예측율은 150-15-2, 150-3-2, 150-12-2, 150-9-2모델 순으로 나타났다. 75개(2n=150)의 변수를 입력하여 은닉층의 수를 변화시켰으나 예측율에 있어서는 최소 68.75%(11경기 적중/총 16경기)에서 최대 87.5%(14경기 적중/총 16경기)를 적중하였다. 둘째, 130-은닉층-2 신경망 예측율 검증 결과, 130-9-2 신경망이 평균 예측율(88.75%±2.76)로 가장 높게 나타났다. 예측율은 130-12-2, 130-6-2, 130-15-2, 130-3-2모델 순으로 나타났다. 65개(2n=130)의 변수를 입력하여 은닉층의 수를 변화시킨 결과 예측율은 최대 93.75%(15경기 적중/총 16경기)에서 최소 68.75%(11경기 적중/총 16경기)를 적중하였다. 셋째, 110-은닉층-2 신경망 예측율 검증 결과, 110-15-2 신경망이 평균 예측율(85%±7.13)로 가장 높게 나타났으며, 110-3-2, 110-12-2, 110-6-2, 110-9-2모델 순으로 나타났다. 55개(2n=110)의 변수를 입력하여 은닉층의 수를 변화시켰으나 예측율에 있어서는 최대 93.75%(15경기 적중/총 16경기)에서 최소 68.75%(11경기 적중/총 16경기)를 적중하였다. 넷째, 90-은닉층-2 신경망 예측율 검증 결과, 90-12-2 신경망이 평균 예측율(85%±5.59)로 가장 높게 나타났으며, 90-3-2, 90-9-2, 90-15-2, 90-6-2모델 순으로 나타났다. 45개(2n=90)의 변수를 입력하여 은닉층의 수를 변화시켰으나 예측율은 최대 93.75%(15경기 적중/총 16경기)에서 최소 56.25%(9경기 적중/총 16경기)를 적중하였다. 다섯째, 70-은닉층-2 신경망 예측율 검증 결과, 70-6-2 신경망이 평균 예측율(76.25%±5.23)로 가장 낮게 나타났다. 나머지 신경망은 78.75%로 동일한 예측율로 나타났다. 35개(2n=70)의 변수를 입력하여 은닉층의 수를 변화시켜 예측율은 최대 93.75%(15경기 적중/총 16경기)에서 최소 68.75%(11경기 적중/총 16경기)를 적중하였다. 여섯째, 50-은닉층-2 신경망 예측율 검증 결과, 50-9-2 신경망이 평균 예측율(76.25%±5.23)로 가장 높게 나타났다. 예측율은 50-12-2, 50-3-2, 50-15-2, 50-6-2모델 순으로 나타났다. 25개(2n=50)의 변수를 입력하여 은닉층의 수를 변화시켜 예측율에 있어서 최대 87.5%(14경기 적중/총 16경기)에서 최소 62.25%(10경기 적중/총 16경기)를 적중하였다. 일곱째, ...
본 연구는 신경망분석(NN : neural networks)을 활용하여 2002년 한·일 월드컵 축구대회의 64경기를 대상으로 하여 경기기록 자료를 바탕으로 최적 순위 예측모형을 개발하는 데 본 연구의 목적이 있다. 경기기록 자료는 FIFA 공식자료와 경기분석프로그램을 활용하여 확보하였다. 경기결과에 대한 예측율을 검증하기 위하여 신경망 분석 프로그램은 NeuroSolutions 5.0을 사용하였으며, 입력변수 학습시 MSE(mean squared error)의 기준은 0.0001이하로 설정하고, 입력변수별, 은닉층(3의 배수) 수에 따라 6개의 신경망 모델(150-은닉층-2, 130-은닉층-2, 110-은닉층-2, 90-은닉층-2, 70-은닉층-2, 50-은닉층-2)로 나뉘어 실험을 5회씩 실시하였다. 입력경기는 조별 예선 48경기(A팀 48경기, B팀 48경기, 총 96경기)를 입력하였으며, 경기결과 예측율 검증은 16강 진출 팀의 예선 3경기(A팀 16경기, B팀 16경기)의 평균값을 입력하여 확인하였다. 본 연구의 결과는 다음과 같다. 첫째, 150-은닉층-2 신경망 예측력 검증결과, 150-6-2 신경망이 평균 예측율(86.25%±2.8)로 가장 높게 나타났다. 예측율은 150-15-2, 150-3-2, 150-12-2, 150-9-2모델 순으로 나타났다. 75개(2n=150)의 변수를 입력하여 은닉층의 수를 변화시켰으나 예측율에 있어서는 최소 68.75%(11경기 적중/총 16경기)에서 최대 87.5%(14경기 적중/총 16경기)를 적중하였다. 둘째, 130-은닉층-2 신경망 예측율 검증 결과, 130-9-2 신경망이 평균 예측율(88.75%±2.76)로 가장 높게 나타났다. 예측율은 130-12-2, 130-6-2, 130-15-2, 130-3-2모델 순으로 나타났다. 65개(2n=130)의 변수를 입력하여 은닉층의 수를 변화시킨 결과 예측율은 최대 93.75%(15경기 적중/총 16경기)에서 최소 68.75%(11경기 적중/총 16경기)를 적중하였다. 셋째, 110-은닉층-2 신경망 예측율 검증 결과, 110-15-2 신경망이 평균 예측율(85%±7.13)로 가장 높게 나타났으며, 110-3-2, 110-12-2, 110-6-2, 110-9-2모델 순으로 나타났다. 55개(2n=110)의 변수를 입력하여 은닉층의 수를 변화시켰으나 예측율에 있어서는 최대 93.75%(15경기 적중/총 16경기)에서 최소 68.75%(11경기 적중/총 16경기)를 적중하였다. 넷째, 90-은닉층-2 신경망 예측율 검증 결과, 90-12-2 신경망이 평균 예측율(85%±5.59)로 가장 높게 나타났으며, 90-3-2, 90-9-2, 90-15-2, 90-6-2모델 순으로 나타났다. 45개(2n=90)의 변수를 입력하여 은닉층의 수를 변화시켰으나 예측율은 최대 93.75%(15경기 적중/총 16경기)에서 최소 56.25%(9경기 적중/총 16경기)를 적중하였다. 다섯째, 70-은닉층-2 신경망 예측율 검증 결과, 70-6-2 신경망이 평균 예측율(76.25%±5.23)로 가장 낮게 나타났다. 나머지 신경망은 78.75%로 동일한 예측율로 나타났다. 35개(2n=70)의 변수를 입력하여 은닉층의 수를 변화시켜 예측율은 최대 93.75%(15경기 적중/총 16경기)에서 최소 68.75%(11경기 적중/총 16경기)를 적중하였다. 여섯째, 50-은닉층-2 신경망 예측율 검증 결과, 50-9-2 신경망이 평균 예측율(76.25%±5.23)로 가장 높게 나타났다. 예측율은 50-12-2, 50-3-2, 50-15-2, 50-6-2모델 순으로 나타났다. 25개(2n=50)의 변수를 입력하여 은닉층의 수를 변화시켜 예측율에 있어서 최대 87.5%(14경기 적중/총 16경기)에서 최소 62.25%(10경기 적중/총 16경기)를 적중하였다. 일곱째, 신경망 모델에 따른 평균 예측율 분석 결과 입력변수의 수가 줄어들수록 예측율은 낮아짐을 확인할 수 있다. 특히, 입력층에 70-50개의 입력변수를 삽입할 때 80%이하로 적중하였다. 또한 은닉층 수의 변화에 따라서도 각 입력변수가 줄어들 때 점차적으로 낮아짐을 확인할 수 있다. 은닉층의 수를 증가시킬 때 예측율은 80%이상의 적중률을 보여주었다. 신경망 모델 중 130-9-2가 평균 예측율 88.75%(±2.76, CV MSE 0.46±0.08)로 가장 높게 적중하였으며, 50-6-2가 평균 예측율 72.50%(±3.42, 0.67±0.05)이 가장 낮게 나타났다. 연구결과를 토대로 도출된 결론은 다음과 같다. 첫째, 2006년 독일월드컵 경기 전 KBS에서 경기외적 요인을 이용한 예측율 결과는 68%정도로 나타났으나 본 연구에서는 경기내적 요인을 이용하여 130-9-2 신경망이 88.75±2.76로 가장 높게 나타났으며, 축구경기의 순위예측을 위한 최적의 모형으로 보여 진다. 또한 최고 예측율은 신경망 모델별로 93.75%로 나타나 입력변수가 많을 경우 예측율은 높아짐을 확인할 수 있었다. 둘째, 본 연구는 입력변수와 은닉층의 개수를 조절하여 예측율의 연관성을 체계적으로 분석하여 입력변수가 많을수록 예측율은 높아지고 CV MSE는 낮아짐을 파악할 수 있었다. 은닉층의 수가 증가하면 점차 예측율은 높아 졌으나 입력변수에 비하여 너무 많은 경우는 오히려 예측율이 낮아지는 것으로 나타났다. 셋째, 축구경기의 경우도 야구와 같이 경기기록을 사용하여 경기결과에 대한 예측이 가능하다는 사실을 본 연구에서는 확인할 수 있다. 본 연구에서는 부호화분석을 사용한 경기분석 프로그램을 이용하여 경기기록을 수집하였는데 이전의 선행연구는 대부분 경기분석에서 기본기록을 위주로 승패에 대한 관련 요인을 파악하는데 그쳐 실제 승부와 관련 있는 내용을 파악하기에는 한계를 지니고 있었다. 신경망분석 방법을 통해 축구경기의 결과에 영향을 끼치는 요인을 추적할 수 있다는 가능성을 확인하였다. 넷째, 기존의 통계기반 예측방법은 예측의 정확도가 본 연구에서 검증된 방법보다 낮지만 통계처리과정 및 검증까지 많은 시간을 요구하므로 실제 스포츠경기 예측에 있어서 적용되기에는 어려움이 많다. 하지만 본 연구는 초기에 신경망분석 프로그램에 입력할 수 있는 경기기록 자료만 확보된다면 데이터처리과정에서 요구되는 시간과 노력을 단축할 수 있음을 확인할 수 있다.
본 연구는 신경망분석(NN : neural networks)을 활용하여 2002년 한·일 월드컵 축구대회의 64경기를 대상으로 하여 경기기록 자료를 바탕으로 최적 순위 예측모형을 개발하는 데 본 연구의 목적이 있다. 경기기록 자료는 FIFA 공식자료와 경기분석프로그램을 활용하여 확보하였다. 경기결과에 대한 예측율을 검증하기 위하여 신경망 분석 프로그램은 NeuroSolutions 5.0을 사용하였으며, 입력변수 학습시 MSE(mean squared error)의 기준은 0.0001이하로 설정하고, 입력변수별, 은닉층(3의 배수) 수에 따라 6개의 신경망 모델(150-은닉층-2, 130-은닉층-2, 110-은닉층-2, 90-은닉층-2, 70-은닉층-2, 50-은닉층-2)로 나뉘어 실험을 5회씩 실시하였다. 입력경기는 조별 예선 48경기(A팀 48경기, B팀 48경기, 총 96경기)를 입력하였으며, 경기결과 예측율 검증은 16강 진출 팀의 예선 3경기(A팀 16경기, B팀 16경기)의 평균값을 입력하여 확인하였다. 본 연구의 결과는 다음과 같다. 첫째, 150-은닉층-2 신경망 예측력 검증결과, 150-6-2 신경망이 평균 예측율(86.25%±2.8)로 가장 높게 나타났다. 예측율은 150-15-2, 150-3-2, 150-12-2, 150-9-2모델 순으로 나타났다. 75개(2n=150)의 변수를 입력하여 은닉층의 수를 변화시켰으나 예측율에 있어서는 최소 68.75%(11경기 적중/총 16경기)에서 최대 87.5%(14경기 적중/총 16경기)를 적중하였다. 둘째, 130-은닉층-2 신경망 예측율 검증 결과, 130-9-2 신경망이 평균 예측율(88.75%±2.76)로 가장 높게 나타났다. 예측율은 130-12-2, 130-6-2, 130-15-2, 130-3-2모델 순으로 나타났다. 65개(2n=130)의 변수를 입력하여 은닉층의 수를 변화시킨 결과 예측율은 최대 93.75%(15경기 적중/총 16경기)에서 최소 68.75%(11경기 적중/총 16경기)를 적중하였다. 셋째, 110-은닉층-2 신경망 예측율 검증 결과, 110-15-2 신경망이 평균 예측율(85%±7.13)로 가장 높게 나타났으며, 110-3-2, 110-12-2, 110-6-2, 110-9-2모델 순으로 나타났다. 55개(2n=110)의 변수를 입력하여 은닉층의 수를 변화시켰으나 예측율에 있어서는 최대 93.75%(15경기 적중/총 16경기)에서 최소 68.75%(11경기 적중/총 16경기)를 적중하였다. 넷째, 90-은닉층-2 신경망 예측율 검증 결과, 90-12-2 신경망이 평균 예측율(85%±5.59)로 가장 높게 나타났으며, 90-3-2, 90-9-2, 90-15-2, 90-6-2모델 순으로 나타났다. 45개(2n=90)의 변수를 입력하여 은닉층의 수를 변화시켰으나 예측율은 최대 93.75%(15경기 적중/총 16경기)에서 최소 56.25%(9경기 적중/총 16경기)를 적중하였다. 다섯째, 70-은닉층-2 신경망 예측율 검증 결과, 70-6-2 신경망이 평균 예측율(76.25%±5.23)로 가장 낮게 나타났다. 나머지 신경망은 78.75%로 동일한 예측율로 나타났다. 35개(2n=70)의 변수를 입력하여 은닉층의 수를 변화시켜 예측율은 최대 93.75%(15경기 적중/총 16경기)에서 최소 68.75%(11경기 적중/총 16경기)를 적중하였다. 여섯째, 50-은닉층-2 신경망 예측율 검증 결과, 50-9-2 신경망이 평균 예측율(76.25%±5.23)로 가장 높게 나타났다. 예측율은 50-12-2, 50-3-2, 50-15-2, 50-6-2모델 순으로 나타났다. 25개(2n=50)의 변수를 입력하여 은닉층의 수를 변화시켜 예측율에 있어서 최대 87.5%(14경기 적중/총 16경기)에서 최소 62.25%(10경기 적중/총 16경기)를 적중하였다. 일곱째, 신경망 모델에 따른 평균 예측율 분석 결과 입력변수의 수가 줄어들수록 예측율은 낮아짐을 확인할 수 있다. 특히, 입력층에 70-50개의 입력변수를 삽입할 때 80%이하로 적중하였다. 또한 은닉층 수의 변화에 따라서도 각 입력변수가 줄어들 때 점차적으로 낮아짐을 확인할 수 있다. 은닉층의 수를 증가시킬 때 예측율은 80%이상의 적중률을 보여주었다. 신경망 모델 중 130-9-2가 평균 예측율 88.75%(±2.76, CV MSE 0.46±0.08)로 가장 높게 적중하였으며, 50-6-2가 평균 예측율 72.50%(±3.42, 0.67±0.05)이 가장 낮게 나타났다. 연구결과를 토대로 도출된 결론은 다음과 같다. 첫째, 2006년 독일월드컵 경기 전 KBS에서 경기외적 요인을 이용한 예측율 결과는 68%정도로 나타났으나 본 연구에서는 경기내적 요인을 이용하여 130-9-2 신경망이 88.75±2.76로 가장 높게 나타났으며, 축구경기의 순위예측을 위한 최적의 모형으로 보여 진다. 또한 최고 예측율은 신경망 모델별로 93.75%로 나타나 입력변수가 많을 경우 예측율은 높아짐을 확인할 수 있었다. 둘째, 본 연구는 입력변수와 은닉층의 개수를 조절하여 예측율의 연관성을 체계적으로 분석하여 입력변수가 많을수록 예측율은 높아지고 CV MSE는 낮아짐을 파악할 수 있었다. 은닉층의 수가 증가하면 점차 예측율은 높아 졌으나 입력변수에 비하여 너무 많은 경우는 오히려 예측율이 낮아지는 것으로 나타났다. 셋째, 축구경기의 경우도 야구와 같이 경기기록을 사용하여 경기결과에 대한 예측이 가능하다는 사실을 본 연구에서는 확인할 수 있다. 본 연구에서는 부호화분석을 사용한 경기분석 프로그램을 이용하여 경기기록을 수집하였는데 이전의 선행연구는 대부분 경기분석에서 기본기록을 위주로 승패에 대한 관련 요인을 파악하는데 그쳐 실제 승부와 관련 있는 내용을 파악하기에는 한계를 지니고 있었다. 신경망분석 방법을 통해 축구경기의 결과에 영향을 끼치는 요인을 추적할 수 있다는 가능성을 확인하였다. 넷째, 기존의 통계기반 예측방법은 예측의 정확도가 본 연구에서 검증된 방법보다 낮지만 통계처리과정 및 검증까지 많은 시간을 요구하므로 실제 스포츠경기 예측에 있어서 적용되기에는 어려움이 많다. 하지만 본 연구는 초기에 신경망분석 프로그램에 입력할 수 있는 경기기록 자료만 확보된다면 데이터처리과정에서 요구되는 시간과 노력을 단축할 수 있음을 확인할 수 있다.
This study proposed to develop a ranking prediction model by verifying the win and lose prediction rate classified by neutral network models of the game inner factors, recorded data which came out from the 64 soccer games of the FIFA world cup Korea·Japan 2002 and this study used the neural network ...
This study proposed to develop a ranking prediction model by verifying the win and lose prediction rate classified by neutral network models of the game inner factors, recorded data which came out from the 64 soccer games of the FIFA world cup Korea·Japan 2002 and this study used the neural network analysis. To develop a ranking prediction model, game recorded data was collected from the FIFA official record and the data which was gained using a game analysis program. To verify the prediction fulfillment rate NeuroSolutions 5.0 which is one of the neural network programs was used. When studying input variables, MSE(mean squared error) standard was set up below 0.0001, and the experiment was carried out with 6 neural network models(150-hidden layer-2, 130-hidden layer-2, 110-hidden layer-2, 90-hidden layer-2, 70-hidden layer-2, 50-hidden layer-2) which were classified with input variables and hidden layer(multiple of three). The input number of the games is 48games(A team's 48 games, B team's 48 games), to verify the win/lose prediction possibility the mean of 3 games(A team's 16 games, B team's 16 games) which belonged to the second round was input. According to the MSE standards, the 6 NN models verified the after the studying procedure about the input variables from the 1st to 5th. The results of this study are following; First, as a result of verification of the 150-hidden layer-2 Neural Networks prediction possibility, 150-6-2 neural network has the highest of the average win/lose prediction rate(86,25%±2.8), and 150-15-2 follows, 150-3-2, 150-12-2, 150-9-2 are the next. 75 variables(2n=150) were input and they changed the number of hidden layers, but win/lose prediction rate was minimum 68.75%(11 times were hit the market among 16 games) and maximum 87.5%(14 times were hit the market among 16 games). Second, as a result of verification of the 130-hidden layer-2 Neural Networks prediction possibility, 130-9-2 neural network has the highest of the average win/lose prediction rate(88.75%±2.76), and 130-12-2 follows, 130-6-2, 130-15-2, 130-3-2 are the next. 65 variables(2n=130) were input and they changed the number of hidden layers, but win/lose prediction rate was minimum 68.75%(11 times were hit the market among 16 games) and maximum 93.75%(15 times were hit the market among 16 games). Third, as a result of verification of the 110-hidden layer-2 Neural Networks prediction possibility, 110-15-2 neural network has the highest of the average win/lose prediction rate(85%±7.13), and 110-3-2 follows, 110-12-2, 110-6-2, 110-9-2 are the next. 55 variables(2n=110) were input and they changed the number of hidden layers, but win/lose prediction rate was minimum 68.75%(11 times were hit the market among 16 games) and maximum 93.75%(15 times were hit the market among 16 games). Fourth, as a result of verification of the 90-hidden layer-2 Neural Networks prediction possibility, 90-12-2 neural network has the highest of the average win/lose prediction rate(85%±5.59), and 90-3-2 follows, 90-9-2, 90-15-2, 90-6-2 are the next. 45 variables(2n=90) were input and they changed the number of hidden layers, but win/lose prediction rate was minimum 56.25%(9 times were hit the market among 16 games) and maximum 93.75%(15 times were hit the market among 16 games). Fifth, as a result of verification of the 70-hidden layer-2 Neural Networks prediction possibility, 70-6-2's prediction rate were lowest, and the rate was 76.25%±5.23, and the rest neural networks were the same, 78.75% of prediction rate. 35 variables(2n=70) were input and they changed the number of hidden layers, but win/lose prediction rate was minimum 68.75%(11 times were hit the market among 16 games) and maximum 93.75%(15 times were hit the market among 16 games). Sixth, as a result of verification of the 90-hidden layer-2 Neural Networks prediction possibility, 50-9-2 neural network has the highest of the average win/lose prediction rate(76.25%±5.23), and 50-12-2 follows, 50-3-2, 50-15-2, 50-6-2 are the next. 25 variables(2n=50) were input and they changed the number of hidden layers, but win/lose prediction rate was minimum 62.25%(10 times were hit the market among 16 games) and maximum 87.5%(14 times were hit the market among 16 games). Seventh, as a result of the analysis of the prediction rate of the win/lose, the less input variables, the lower prediction rate. Especially, when put the 70-50 variables, the rate was less than 80%. And it was affected from the number of hidden-layers, if there are less input variables, there would be decreasing rate. When the hidden layers increase, the prediction rate got the more than 80% of predictive value. The model 130-9-2 neural network's average prediction rate is 88.75%(±2.76, CV MSE 0.46±0.08), which is the highest. 50-6-2 has the lowest rate, which average was 72.50%(±3.42, 0.67±0.05). The conclusion of this study is following; First, The predictive value was higher than other ones which were shown in the former studies. Before the FIFA world cup Germany 2006, KBS predicted the game results using the game external factors and the rate was about 68%, but this study proved 130-9-2 neural network could predict the game results using the internal factors and the average rate was 88.75±2.76, which supports that this model is the most optimal for predicting the ranks of soccer games. If there are more input variables, the win/lost prediction rate goes up to 93.75%, when using the neural network models. Second, This study arranged the input variables and the number of the hidden layers, and analyzed the relationship with the prediction possibilities. The more input variables, the higher prediction possibilities and the lower MSE. When the hidden layers increase, the rate rises, but if the hidden layers are much more than the input variables, the rate goes down. Third, even though soccer games are not a kind of record sports such as baseball, this study shows that it is possible to predict the win/lose using the game record. This study collected the game record through the game analysing program which uses notation analysis. But former studies had used the basic record and it is not sufficient to understand of the information which affects the result of the games. This new neural network analysing technique makes it possible to chase the factors which affect the results of the games. Fourth, current statistical based prediction method's accuracy was lower that the method which was verified, furthermore it takes much time. So there are many problems to applicate to the real sports games. But if there are a lot of game record date that can be input the neural network, the time and effort that are caused by may be shorten, which were verified through this study.
This study proposed to develop a ranking prediction model by verifying the win and lose prediction rate classified by neutral network models of the game inner factors, recorded data which came out from the 64 soccer games of the FIFA world cup Korea·Japan 2002 and this study used the neural network analysis. To develop a ranking prediction model, game recorded data was collected from the FIFA official record and the data which was gained using a game analysis program. To verify the prediction fulfillment rate NeuroSolutions 5.0 which is one of the neural network programs was used. When studying input variables, MSE(mean squared error) standard was set up below 0.0001, and the experiment was carried out with 6 neural network models(150-hidden layer-2, 130-hidden layer-2, 110-hidden layer-2, 90-hidden layer-2, 70-hidden layer-2, 50-hidden layer-2) which were classified with input variables and hidden layer(multiple of three). The input number of the games is 48games(A team's 48 games, B team's 48 games), to verify the win/lose prediction possibility the mean of 3 games(A team's 16 games, B team's 16 games) which belonged to the second round was input. According to the MSE standards, the 6 NN models verified the after the studying procedure about the input variables from the 1st to 5th. The results of this study are following; First, as a result of verification of the 150-hidden layer-2 Neural Networks prediction possibility, 150-6-2 neural network has the highest of the average win/lose prediction rate(86,25%±2.8), and 150-15-2 follows, 150-3-2, 150-12-2, 150-9-2 are the next. 75 variables(2n=150) were input and they changed the number of hidden layers, but win/lose prediction rate was minimum 68.75%(11 times were hit the market among 16 games) and maximum 87.5%(14 times were hit the market among 16 games). Second, as a result of verification of the 130-hidden layer-2 Neural Networks prediction possibility, 130-9-2 neural network has the highest of the average win/lose prediction rate(88.75%±2.76), and 130-12-2 follows, 130-6-2, 130-15-2, 130-3-2 are the next. 65 variables(2n=130) were input and they changed the number of hidden layers, but win/lose prediction rate was minimum 68.75%(11 times were hit the market among 16 games) and maximum 93.75%(15 times were hit the market among 16 games). Third, as a result of verification of the 110-hidden layer-2 Neural Networks prediction possibility, 110-15-2 neural network has the highest of the average win/lose prediction rate(85%±7.13), and 110-3-2 follows, 110-12-2, 110-6-2, 110-9-2 are the next. 55 variables(2n=110) were input and they changed the number of hidden layers, but win/lose prediction rate was minimum 68.75%(11 times were hit the market among 16 games) and maximum 93.75%(15 times were hit the market among 16 games). Fourth, as a result of verification of the 90-hidden layer-2 Neural Networks prediction possibility, 90-12-2 neural network has the highest of the average win/lose prediction rate(85%±5.59), and 90-3-2 follows, 90-9-2, 90-15-2, 90-6-2 are the next. 45 variables(2n=90) were input and they changed the number of hidden layers, but win/lose prediction rate was minimum 56.25%(9 times were hit the market among 16 games) and maximum 93.75%(15 times were hit the market among 16 games). Fifth, as a result of verification of the 70-hidden layer-2 Neural Networks prediction possibility, 70-6-2's prediction rate were lowest, and the rate was 76.25%±5.23, and the rest neural networks were the same, 78.75% of prediction rate. 35 variables(2n=70) were input and they changed the number of hidden layers, but win/lose prediction rate was minimum 68.75%(11 times were hit the market among 16 games) and maximum 93.75%(15 times were hit the market among 16 games). Sixth, as a result of verification of the 90-hidden layer-2 Neural Networks prediction possibility, 50-9-2 neural network has the highest of the average win/lose prediction rate(76.25%±5.23), and 50-12-2 follows, 50-3-2, 50-15-2, 50-6-2 are the next. 25 variables(2n=50) were input and they changed the number of hidden layers, but win/lose prediction rate was minimum 62.25%(10 times were hit the market among 16 games) and maximum 87.5%(14 times were hit the market among 16 games). Seventh, as a result of the analysis of the prediction rate of the win/lose, the less input variables, the lower prediction rate. Especially, when put the 70-50 variables, the rate was less than 80%. And it was affected from the number of hidden-layers, if there are less input variables, there would be decreasing rate. When the hidden layers increase, the prediction rate got the more than 80% of predictive value. The model 130-9-2 neural network's average prediction rate is 88.75%(±2.76, CV MSE 0.46±0.08), which is the highest. 50-6-2 has the lowest rate, which average was 72.50%(±3.42, 0.67±0.05). The conclusion of this study is following; First, The predictive value was higher than other ones which were shown in the former studies. Before the FIFA world cup Germany 2006, KBS predicted the game results using the game external factors and the rate was about 68%, but this study proved 130-9-2 neural network could predict the game results using the internal factors and the average rate was 88.75±2.76, which supports that this model is the most optimal for predicting the ranks of soccer games. If there are more input variables, the win/lost prediction rate goes up to 93.75%, when using the neural network models. Second, This study arranged the input variables and the number of the hidden layers, and analyzed the relationship with the prediction possibilities. The more input variables, the higher prediction possibilities and the lower MSE. When the hidden layers increase, the rate rises, but if the hidden layers are much more than the input variables, the rate goes down. Third, even though soccer games are not a kind of record sports such as baseball, this study shows that it is possible to predict the win/lose using the game record. This study collected the game record through the game analysing program which uses notation analysis. But former studies had used the basic record and it is not sufficient to understand of the information which affects the result of the games. This new neural network analysing technique makes it possible to chase the factors which affect the results of the games. Fourth, current statistical based prediction method's accuracy was lower that the method which was verified, furthermore it takes much time. So there are many problems to applicate to the real sports games. But if there are a lot of game record date that can be input the neural network, the time and effort that are caused by may be shorten, which were verified through this study.
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.