본 연구는 엘리트 여자 핸드볼 선수들을 대상으로 연습경기에서 EPTS를 통해 수집된 관성센서 움직임 정보를 기반으로 경기결과에 따라 데이터를 시각화하고, 지도학습 알고리즘별 예측률을 분석하여 최적의 알고리즘을 확인하고자 연구되었다. 연구의 목적을 달성하기 위하여 국내·외 연습경기 총 15경기에 참여한 모든 여자핸드볼 엘리트 선수들을 대상으로 OptimEye-S5를 사용하여 핸드볼 선수들의 움직임 정보를 수집하였다. 수집된 정보는 포지션별로 분류하여 ...
본 연구는 엘리트 여자 핸드볼 선수들을 대상으로 연습경기에서 EPTS를 통해 수집된 관성센서 움직임 정보를 기반으로 경기결과에 따라 데이터를 시각화하고, 지도학습 알고리즘별 예측률을 분석하여 최적의 알고리즘을 확인하고자 연구되었다. 연구의 목적을 달성하기 위하여 국내·외 연습경기 총 15경기에 참여한 모든 여자핸드볼 엘리트 선수들을 대상으로 OptimEye-S5를 사용하여 핸드볼 선수들의 움직임 정보를 수집하였다. 수집된 정보는 포지션별로 분류하여 다중공선성에 문제가 되는 요인들을 제거하여 18개를 선별하였다. 분류 된 요인을 파이썬으로 데이터를 시각화하고, 지도학습 알고리즘으로 예측률을 확인하였다. 마지막으로 K-fold 교차검증 방법으로 최종예측률을 검증하였다. 연구결과로 첫째, 2차원 이미지인 t-SNE는 승리는 파란색 1, 패배는 빨간색 0으로 변환하여 나타내었으며, 3차원산포도 이미지는 승리는 파란색 동그라미, 패배는 빨간색 동그라미로 나타내었다. 확인결과 t-SNE 이미지와 3D 산포도 이미지에서는 승리와 패배 데이터를 구분하기 힘들었으나, 알고리즘별로 나타낸 2차원 이미지에서는 대부분 승리데이터를 위주로 분류되었다. 둘째, 전체선수를 대상으로 할 때 경기결과 평균 예측률이 로지스틱 회귀분석은 66.6%, 서포트 벡터 머신 67%, 의사결정나무 64.3%, 랜덤포레스트 66.1%, 앙상블 66.1%의 정확성을 보였다. Pivot 선수들의 평균 예측률은 로지스틱 회귀분석은 70.8%, 서포트 벡터 머신 70.5%, 의사결정나무 66.5%, 랜덤포레스트 68.3%, 앙상블 68.3%의 정확성을 보였으며, Back 선수들의 평균 예측률은 로지스틱 회귀분석은 66.5%, 서포트 벡터 머신 67.2%, 의사결정나무 66%, 랜덤포레스트 66.3%, 앙상블 66.5%의 정확성을 보였다. Wing 선수들의 평균 예측률은 로지스틱 회귀분석은 65.7%, 서포트 벡터 머신 64.9%, 의사결정나무 63.4%, 랜덤포레스트 67%, 앙상블 66.2%의 정확성을 보였으며, GK 선수들의 평균 예측률은 로지스틱 회귀분석 68.5%, 서포트 벡터 머신 68.5%, 의사결정나무 64.1%, 랜덤포레스트 64.7%, 앙상블 64.7%의 정확성을 보였다. 셋째, 10번의 K-fold교차검증으로 적합성 여부를 확인하였는데, 전체 선수들은 로지스틱 회귀분석, 서포트 벡터 머신, 랜덤포레스트로 나타났다. Pivot 선수들은 로지스틱 회귀분석과 의사결정나무로 나타났다. Back 선수들은 모든 알고리즘에서 적합성을 보였으며, Wing 선수들은 로지스틱 회귀분석, 서포트 벡터 머신, 의사결정나무로 나타났다. 마지막으로 GK는 로지스틱 회귀분석만 적합성이 확인되었다. 따라서, 핸드볼 종목에서 경기결과를 예측하기 위해서는 로지스틱회귀와 SVM 알고리즘을 활용하여 예측하는 것이 바람직하며, 추후 기술데이터와 함께 예측한다면 보다 더 정확한 결과가 나타날 것이라 사료된다.
본 연구는 엘리트 여자 핸드볼 선수들을 대상으로 연습경기에서 EPTS를 통해 수집된 관성센서 움직임 정보를 기반으로 경기결과에 따라 데이터를 시각화하고, 지도학습 알고리즘별 예측률을 분석하여 최적의 알고리즘을 확인하고자 연구되었다. 연구의 목적을 달성하기 위하여 국내·외 연습경기 총 15경기에 참여한 모든 여자핸드볼 엘리트 선수들을 대상으로 OptimEye-S5를 사용하여 핸드볼 선수들의 움직임 정보를 수집하였다. 수집된 정보는 포지션별로 분류하여 다중공선성에 문제가 되는 요인들을 제거하여 18개를 선별하였다. 분류 된 요인을 파이썬으로 데이터를 시각화하고, 지도학습 알고리즘으로 예측률을 확인하였다. 마지막으로 K-fold 교차검증 방법으로 최종예측률을 검증하였다. 연구결과로 첫째, 2차원 이미지인 t-SNE는 승리는 파란색 1, 패배는 빨간색 0으로 변환하여 나타내었으며, 3차원 산포도 이미지는 승리는 파란색 동그라미, 패배는 빨간색 동그라미로 나타내었다. 확인결과 t-SNE 이미지와 3D 산포도 이미지에서는 승리와 패배 데이터를 구분하기 힘들었으나, 알고리즘별로 나타낸 2차원 이미지에서는 대부분 승리데이터를 위주로 분류되었다. 둘째, 전체선수를 대상으로 할 때 경기결과 평균 예측률이 로지스틱 회귀분석은 66.6%, 서포트 벡터 머신 67%, 의사결정나무 64.3%, 랜덤포레스트 66.1%, 앙상블 66.1%의 정확성을 보였다. Pivot 선수들의 평균 예측률은 로지스틱 회귀분석은 70.8%, 서포트 벡터 머신 70.5%, 의사결정나무 66.5%, 랜덤포레스트 68.3%, 앙상블 68.3%의 정확성을 보였으며, Back 선수들의 평균 예측률은 로지스틱 회귀분석은 66.5%, 서포트 벡터 머신 67.2%, 의사결정나무 66%, 랜덤포레스트 66.3%, 앙상블 66.5%의 정확성을 보였다. Wing 선수들의 평균 예측률은 로지스틱 회귀분석은 65.7%, 서포트 벡터 머신 64.9%, 의사결정나무 63.4%, 랜덤포레스트 67%, 앙상블 66.2%의 정확성을 보였으며, GK 선수들의 평균 예측률은 로지스틱 회귀분석 68.5%, 서포트 벡터 머신 68.5%, 의사결정나무 64.1%, 랜덤포레스트 64.7%, 앙상블 64.7%의 정확성을 보였다. 셋째, 10번의 K-fold교차검증으로 적합성 여부를 확인하였는데, 전체 선수들은 로지스틱 회귀분석, 서포트 벡터 머신, 랜덤포레스트로 나타났다. Pivot 선수들은 로지스틱 회귀분석과 의사결정나무로 나타났다. Back 선수들은 모든 알고리즘에서 적합성을 보였으며, Wing 선수들은 로지스틱 회귀분석, 서포트 벡터 머신, 의사결정나무로 나타났다. 마지막으로 GK는 로지스틱 회귀분석만 적합성이 확인되었다. 따라서, 핸드볼 종목에서 경기결과를 예측하기 위해서는 로지스틱회귀와 SVM 알고리즘을 활용하여 예측하는 것이 바람직하며, 추후 기술데이터와 함께 예측한다면 보다 더 정확한 결과가 나타날 것이라 사료된다.
This study was conducted to visualize the data according to the results of the competition and analyze the prediction rate by the supervised learning algorithm to confirm the optimal algorithm, being based on the inertial sensor movement information collected through Electronic Performance & Trackin...
This study was conducted to visualize the data according to the results of the competition and analyze the prediction rate by the supervised learning algorithm to confirm the optimal algorithm, being based on the inertial sensor movement information collected through Electronic Performance & Tracking System(EPTS) in the practice competition, All female handball elite athletes who participated in a total of 15 domestic and foreign practice games were collected using OptimEye-S5. The collected informations of handball competition were sorted by position, eliminating the factors that were problematic for multicollinearity. The data were visualized with Python for the classification factors of 18 games, and the prediction rate was confirmed by the supervised learning algorithm. Finally, the final prediction rate was verified by the K-fold cross-verification method. The results of the study showed that t-Stochastic Neighbor Embedding(t-SNE), a two-dimensional image, was represented by converting victory into blue 1 and defeat to red 0. The three-dimensional scatter image showed victory in blue circle and defeat in red circle. It was difficult to distinguish between victory and defeat data in t-SNE and 3D scatter images, but most of the two-dimensional images presented by algorithms were classified as victory data. Second, when targeting all players, the average prediction rate of the competition results was 66.6% for logistic regression, 67% for support vector machines, 64.3% for decision trees, 66.1% for random forest, and 66.1% for ensemble. The average prediction rate of Pivot athletes was 70.8% for logistic regression, 70.5% for support vector machine, 66.5% for decision tree, 68.3% for random forest and 68.3% for ensemble, while the average prediction rate for back athletes was 66.5% for logistic regression, 67.2% for support vector machine, 66.2% for decision tree, 66.3% for random forest and 66.5% for ensemble. The average prediction rate of Wing athletes was 65.7% for logistic regression, 64.9% for support vector machines, 63.4% for decision trees, 67% for random forest and 66.2% for ensemble players, while the average prediction rate for GK players was 68.5% for logistic regression, 68.5% for support vector machines, 64.1% for decision trees, 64.7% for random forest and 64.7% for ensemble. Third, 10 K-fold cross-checking confirmed their suitability, and the entire athletes were shown with logistic regression, support vector machines, and random forest. Pivot players appeared as logistic regression and decision trees. Back players showed suitability in all algorithms, and Wing players appeared as logistic regression, support vector machines and decision trees. Finally, the GK of the handball was found to be suitable only in logistic regression. This study revealed that it was desirable to predict the results of the handball event using logistic regression and SVM algorithm. It is estimated that more accurate results will be obtained if predicted together with technical data in the future.
This study was conducted to visualize the data according to the results of the competition and analyze the prediction rate by the supervised learning algorithm to confirm the optimal algorithm, being based on the inertial sensor movement information collected through Electronic Performance & Tracking System(EPTS) in the practice competition, All female handball elite athletes who participated in a total of 15 domestic and foreign practice games were collected using OptimEye-S5. The collected informations of handball competition were sorted by position, eliminating the factors that were problematic for multicollinearity. The data were visualized with Python for the classification factors of 18 games, and the prediction rate was confirmed by the supervised learning algorithm. Finally, the final prediction rate was verified by the K-fold cross-verification method. The results of the study showed that t-Stochastic Neighbor Embedding(t-SNE), a two-dimensional image, was represented by converting victory into blue 1 and defeat to red 0. The three-dimensional scatter image showed victory in blue circle and defeat in red circle. It was difficult to distinguish between victory and defeat data in t-SNE and 3D scatter images, but most of the two-dimensional images presented by algorithms were classified as victory data. Second, when targeting all players, the average prediction rate of the competition results was 66.6% for logistic regression, 67% for support vector machines, 64.3% for decision trees, 66.1% for random forest, and 66.1% for ensemble. The average prediction rate of Pivot athletes was 70.8% for logistic regression, 70.5% for support vector machine, 66.5% for decision tree, 68.3% for random forest and 68.3% for ensemble, while the average prediction rate for back athletes was 66.5% for logistic regression, 67.2% for support vector machine, 66.2% for decision tree, 66.3% for random forest and 66.5% for ensemble. The average prediction rate of Wing athletes was 65.7% for logistic regression, 64.9% for support vector machines, 63.4% for decision trees, 67% for random forest and 66.2% for ensemble players, while the average prediction rate for GK players was 68.5% for logistic regression, 68.5% for support vector machines, 64.1% for decision trees, 64.7% for random forest and 64.7% for ensemble. Third, 10 K-fold cross-checking confirmed their suitability, and the entire athletes were shown with logistic regression, support vector machines, and random forest. Pivot players appeared as logistic regression and decision trees. Back players showed suitability in all algorithms, and Wing players appeared as logistic regression, support vector machines and decision trees. Finally, the GK of the handball was found to be suitable only in logistic regression. This study revealed that it was desirable to predict the results of the handball event using logistic regression and SVM algorithm. It is estimated that more accurate results will be obtained if predicted together with technical data in the future.
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.