$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

머신러닝을 이용한 골든글러브 수상 요인 분석에 대한 연구
A Study on the Analysis of Factors for the Golden Glove Award by using Machine Learning 원문보기

한국콘텐츠학회논문지 = The Journal of the Korea Contents Association, v.22 no.5, 2022년, pp.48 - 56  

엄대엽 (호서대학교 빅데이터AI학과) ,  김성용 (호서대학교 빅데이터AI학과)

초록
AI-Helper 아이콘AI-Helper

야구에서 데이터분석의 중요성은 점점 더 커지고 있는데, 이는 Billy Beane의 머니볼 이론을 적용한 MLB의 오클랜드 구단과 2020년 KBO 우승팀인 NC다이노스의 사례에서도 알 수 있다. 미국 뿐 만 아니라 우리나라에서도 데이터를 이용한 다양한 연구이 이루어지고 있는데, 특히 경기의 승패를 예측하기 딥러닝 및 머신러닝을 이용한 연구가 활발하게 진행되고 있다. 그러나 기존 연구의 경우 경기 승패 예측에 초점이 맞추어져 있으며, 어떠한 요인이 경기에 중요한 영향을 주었는지에 대한 결과 해석이 어렵다는 한계점이 존재한다. 이에 따라 본 논문에서는 포지션별 최고의 선수에게 수여되는 골든글러브 수상 예측 모형을 개발하고, 어떠한 요인이 수상에 영향을 주는지를 파악함으로써, 우수한 선수로 구분되는 척도를 찾고자 한다. 분석 모형으로는 Boosting 기법 중의 하나인 XGBoost를 이용하였으며, 어떠한 요인이 골든글러브 수상에 중요한 영향을 주었는지 파악하기 위하여 XGBoost의 변수 중요도를 이용하였다. 이와 같은 분석을 통해 각 포지션별 중요한 지표를 파악할 수 있었다.

Abstract AI-Helper 아이콘AI-Helper

The importance of data analysis in baseball has been increasing after the success of MLB's Oakland which applied Billy Beane's money ball theory, and the 2020 KBO winner NC Dinos. Various studies using data in baseball has been conducted not only in the United States but also in Korea, In particular...

주제어

표/그림 (8)

참고문헌 (16)

  1. M. Lewis, Moneyball: The Art of winning an unfair game, Norton: New York, 2003. 

  2. 김형우, 머신러닝 기법을 활용한 프로야구 승패 예측, 전남대학교, 석사학위논문, 2021. 

  3. Y. Oh, H. Kim, J. Yun, and J. Lee, "Using Data Mining Techniques to Predict Win-Loss in Korean Professional Baseball Games," Korean Institute of Industrial Engineers, Vol.40, No.1, pp.8-17, 2014. 

  4. 채진석, 조은형, 엄한주, "프로야구 포스트시즌 진출예측을 위한 통계적 모형 비교," 한국체육측정평가학회지, 제12권, 제1호, pp.33-48, 2010. 

  5. 오광모, 이장택, "데이터마이닝을 이용한 한국 프로야구 선수들의 연봉에 관한 모형연구," 한국스포츠사회학회지, 제16권, 제2호, pp2-310, 2003. 

  6. 박동주, 김병우, 정영선, 안창욱, "Deep Neural Network 기반 프로야구 일일 관중 수 예측 : 광주-기아 챔피언스 필드를 중심으로," 스마트미디어저널, 제7권, 제1호, pp.16-23, 2018. 

  7. 홍석미, 정경숙, 정태충, "혼합형 기계 학습 모델을 이용한 프로야구 승패 예측 시스템," 한국정보과학회, 제9권, 제6호, pp.693-698, 2003. 

  8. 노언석, 최재현, "기계학습을 활용한 프로야구 승부예측에 관한 연구," 한국IT정책경영학회논문지, 제9권, 제1호, pp.335-338, 2017. 

  9. 김태훈, 임성원, 고진광, 이재학, "인공지능 모델에 따른 한국프로야구의 승패 예측 분석에 관한 연구," 한국빅데이터학회, 제5권, 제2호, pp.77-84, 2020. 

  10. 서영진, 문형우, 우용태, "기계학습 기법을 이용한 한국프로야구 승패 예측 모델," 한국컴퓨터정보학회, 제24권, 제2호, pp.17-24, 2019. 

  11. 김종훈, 김경태, 한종기, "Deep Learning 기반 기계학습 알고리즘을 이용한 야구 경기 Big Data 분석," 한국통신학회, 제2015권, 제11호, pp.262-265, 2015. 

  12. L. Breiman, "Random Forest," Machine Learning, Vol.45, No.1, pp.5-32, 2001. 

  13. R. Rojas, AdaBoost and the super bowl of classifiers a tutorial introduction to adaptive boosting, Freie University: Berlin, 2009. 

  14. T. Hastie, R. Tibshirani, and J. H. Friedman, "10. Boosting and Additive Trees," The Elements of Statistical Learning(2nd ed.), New York: Springer, 2009. 

  15. T. Chen and C. Guestrin, "XGBoost: A scalable tree boosting system," Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining San Francisco, pp. 785-794, 2016. 

  16. J. H. Friedman, "Greedy Function Approximation: A Gradient Boosting Machine," The Annals of Statistics, Vol.29, No.5, pp.1189-1232, 2001. 

저자의 다른 논문 :

섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로