Analisi delle prestazioni con machine learning non trasferibile dal calcio d'élite a quello universitario
Uno studio da arXiv (2605.10796) indaga se i modelli di machine learning addestrati su dati del calcio d'élite possano essere applicati a competizioni universitarie. Utilizzando dati di eventi delle prime cinque leghe europee e della National Tsing Hua University (NTHU), i ricercatori hanno addestrato modelli Random Forest e Multilayer Perceptron. I metodi di interpretabilità SHAP e CIS hanno rivelato che i determinanti delle prestazioni appresi dalle leghe d'élite non sono trasferibili in modo affidabile al calcio universitario a causa del domain shift. I risultati mettono in discussione l'assunzione che i modelli predittivi generalizzino tra diversi livelli di competizione.
Fatti principali
- Lo studio esamina la trasferibilità del machine learning dal calcio d'élite a quello universitario.
- Modelli addestrati sulle prime cinque leghe europee e applicati ai dati NTHU.
- Utilizzati Random Forest e Multilayer Perceptron con interpretabilità SHAP e CIS.
- I determinanti delle prestazioni non sono strutturalmente trasferibili tra livelli di competizione.
- Il domain shift limita l'affidabilità delle interpretazioni.
- Ricerca pubblicata su arXiv con ID 2605.10796.
- Focus sull'interpretabilità, non solo sull'accuratezza predittiva.
- Dati universitari dalla National Tsing Hua University.
Entità
Istituzioni
- National Tsing Hua University
- arXiv
Luoghi
- Europe