211service.com
Maschinen kommen für Ihren March Madness-Büropool
Im Uhrzeigersinn von oben links: Getty / Getty / The Jetsons / Getty / Getty / Matt Groening / Getty / Flickr RV1864
March Madness – die Playoffs der NCAA-College-Basketballmeisterschaft – gehört zu den beliebtesten Sportveranstaltungen in den USA, teilweise dank des weitreichenden Wettbewerbs, der sich um die Vorhersage entwickelt hat, welche Teams das Turnier überstehen werden. In diesem Jahr stehen fast 10,4 Millionen US-Dollar in Büropools oder besser organisierten Wettbewerben auf dem Spiel, und mehr als 40 Millionen Amerikaner werden ihre eigenen Versionen der Playoff-Klammern ausfüllen, um daran teilzunehmen. laut der American Gaming Association . Die Wahrscheinlichkeit, eine perfekte Klammer vorherzusagen, was noch nie jemand getan hat, beträgt mindestens 1 zu 128 Milliarden und könnte es sein so abgelegen wie 1 in 9,2 Quintillionen.
Jetzt nimmt maschinelles Lernen eine Chance.
Kaggle, die Online-Plattform für Vorhersagemodellierungs- und Analysewettbewerbe, die letztes Jahr von der Google-Muttergesellschaft Alphabet übernommen wurde, ist Ausrichtung eines Wettbewerbs für sowohl die NCAA-Männer- als auch die Frauenturniere. Kaggle stellt einen Datensatz mit Informationen wie Turnier-Seeds zur Verfügung, die bis in die Saison 1984-85 zurückreichen; Endergebnisse aller regulären Saison-, Conference-Turnier- und NCAA-Turnierspiele seit 1984-85; und jeder Play-by-Play-Moment im Männer- und Frauenbasketball der Division I seit 2009. Alles summiert sich auf mehr als 40 Millionen Datenpunkte.
Konkurrenten füllen keine traditionelle Klammer aus; Stattdessen erstellen und verwenden sie Modelle, um vorherzusagen, wie wahrscheinlich es ist, dass ein Team jedes Spiel gewinnt. Das Modell wird sowohl nach dem Ergebnis des Spiels als auch nach dem Vertrauen, das das Modell in seine Vorhersage findet, beurteilt. Wenn also ein Modell zu 99 Prozent sicher ist, dass ein Team gewinnt und es sich als richtig herausstellt, bekommt es mehr Punkte als eines mit einer richtigen Vorhersage, die nur zu 95 Prozent sicher war. Wenn ein Modell jedoch sehr selbstbewusst und falsch ist, verliert es mehr Punkte. Dies soll es schwieriger machen, mit dummem Glück oder Zufall zu gewinnen. Ein Preispool von 100.000 US-Dollar wird für beide Turniere unter den ersten drei Gruppen aufgeteilt. Anmeldungen sind am Donnerstag fällig, und 500 Teams haben sich bereits angemeldet.
Aber es ist unklar, ob maschinelles Lernen bereit ist, die Bracketology zu übernehmen, was eine größere Kunst sein könnte, als 40 Millionen Datenpunkte glauben machen würden. Da College-Teams Spieler und Mannschaftsaufstellungen von Saison zu Saison ändern, verfügen die Algorithmen möglicherweise nicht einmal über die richtigen Daten, um nach Mustern zu suchen.
Und dann gibt es die nicht quantifizierbaren Elemente, wie Spieler, die klicken, oder ein Team mit einem Streak. Die Städte, in denen Turnierspiele stattfinden, können die Leistung eines Teams auch auf eine Weise beeinflussen, die ein Algorithmus möglicherweise nicht vorhersieht. Beispielsweise könnten Spiele in einer Stadt wie Denver zu Höhenproblemen für Teams führen, die es gewohnt sind, auf Meereshöhe zu spielen, oder ein besonders lautes Publikum könnte einem Team helfen, in den letzten Momenten an Schwung zu gewinnen. In diesem Jahr hatten die Big Ten-Teams vor March Madness zum ersten Mal überhaupt zwei Wochen frei, und ihre Spieler sind möglicherweise besser ausgeruht – oder rostiger – als Teams anderer Conferences. Ein Algorithmus kann ein Ereignis nicht berücksichtigen, das er noch nie zuvor gesehen hat. Verstimmungen werden aus einem bestimmten Grund Verstimmungen genannt; Wenn maschinelles Lernen sie vorhersagen könnte, wäre der Begriff hinfällig.
Ich denke tatsächlich, dass Turniere wie NCAA [March Madness] nicht der ideale Ort für maschinelles Lernen sind, schrieb Anthony Goldbloom, CEO von Kaggle, weiter zu Reddit AMA . Es gibt viel weniger March Madness-Spiele als Anzeigenklicks/Betrugsereignisse usw.
Kaggle war Gastgeber von vier früheren March Madness-Wettbewerben, obwohl dies die erste Saison mit Preisgeld ist. Der Gewinner des letzten Jahres, Andrew Landgraf, basierte sein Modell auf den Algorithmen früherer Gewinner, aber mit einer Wendung. Er überlegte, was andere Teilnehmer an Kaggles Wettbewerb tun könnten, und wies seinen Algorithmus an, ihre potenziellen Fehler auszunutzen. Die Leute machen das ständig mit Büro-Pools: Wenn Sie mit ein paar Duke-Fans in einem Büro waren, könnten Wetten gegen Duke Ihnen die beste Klammer geben, wenn die Blue Devils verlieren würden. Selbst bei seinem sorgfältig geplanten Modell, sagt Landgraf, war Glück ein großer Teil seines Erfolgs.
Letztendlich könnten Algorithmen gut genug sein, um Dinge wie Hitzewellen vorherzusagen, aber in der Zwischenzeit könnte die Zusammenarbeit von Mensch und Maschine die Zukunft der Bracketology darstellen. Wettsyndikate glauben das – sie verwenden bereits sowohl prädiktive Analysen als auch Daten von von Menschen betriebenen Online-Glücksspielmärkten, um ihre Wetten zu platzieren, so Adam Kucharski, ein Forscher und Autor von Die perfekte Wette: Wie Wissenschaft und Mathematik dem Glücksspiel das Glück nehmen .
Trotz all ihrer Mängel sind Wettmärkte ein guter Weg, um das Wissen der Menschen anzuwerben, sagt Kucharski. Das Verständnis dieses menschlichen Elements kann sehr nützlich sein.
Die Ergebnisse von Kaggles Turnier können anhand der unvollkommenen Klammern der vergangenen Jahre beurteilt werden. Neununddreißig Spiele ist die am nächsten ist jemand zu einem perfekten Ergebnis gekommen , das ist also ein einfacher Maßstab für den Erfolg. Und wenn einer der algorithmischen Konkurrenten von Kaggle oder eine Mensch-Maschine-Kollaboration das ultimative Ziel erreicht, warten einige lukrative Belohnungen. Der Milliardär Warren Buffett hat eine langjähriges Angebot jedem seiner Mitarbeiter, der sich eine perfekte Klammer ausdenkt, eine Million Dollar pro Jahr auf Lebenszeit zuzusprechen.
Aber wenn wir eine perfekte Halterung haben, was kommt als nächstes? Kaggles Wettbewerb beginnt nach der Auswahl aller 64 Teams. Die nächste Herausforderung könnte sein Vorhersage der Turniersieger bef oder du weißt, wer überhaupt im Rennen ist.