ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസിന്റെ ആവിർഭാവം മെഷീൻ ലേണിംഗ് മോഡലുകൾ കൂടുതൽ ശക്തമാകാൻ അനുവദിച്ചു. എൻഎച്ച്എൽ പ്ലെയർ പ്രകടനം അളക്കുന്നതിനും വിവിധ എൻഎച്ച്എൽ ഗെയിമുകളിൽ വാഗറുകൾ സ്ഥാപിക്കുന്നതിനും ഇത് നിങ്ങളുടെ നേട്ടത്തിനായി എങ്ങനെ ഉപയോഗിക്കാമെന്ന് ഇതാ.

‘എല്ലാ മോഡലുകളും തെറ്റാണ്. ചിലത് സഹായകരമാണ്.” യൂണിവേഴ്സിറ്റി സ്റ്റാറ്റിസ്റ്റിക്സ് ക്ലാസുകളിൽ പലപ്പോഴും പറയുന്ന ഒരു ഉദ്ധരണി. നിങ്ങൾ ഒരു മോഡൽ നിർമ്മിക്കുമ്പോൾ, പ്രത്യേകിച്ച് പ്രവചനാത്മകമായ ഒന്ന്, അത് ഒരിക്കലും മികച്ചതായിരിക്കില്ല. അറിവുള്ള തീരുമാനങ്ങൾ എടുക്കാനുള്ള കഴിവിനെ മോഡൽ സഹായിക്കുമെന്ന് കരുതപ്പെടുന്നു. കൂടുതൽ കൃത്യത, നല്ലത്. കളിക്കാരുടെ പ്രകടനം മോഡലുചെയ്യുമ്പോൾ, പൊതു ഇടത്തിലെ ഒരു വിടവ് അടയ്ക്കാൻ ഞാൻ പുറപ്പെട്ടു; ടീമുകൾക്ക് പ്രവേശനമുള്ള കാര്യങ്ങളിലേക്ക് പൊതുജന വിശകലനം കൂടുതൽ അടുപ്പിക്കുക. ചില ടീമുകൾക്ക് മറ്റുള്ളവരെ അപേക്ഷിച്ച് കൂടുതൽ ശക്തമായ ഡാറ്റാ വകുപ്പുകൾ ഉണ്ട്, തീർച്ചയായും, എൻഎച്ച്എൽ ടീമുകൾക്ക് ഒരിക്കലും പരസ്യമാകാത്ത ധാരാളം ഡാറ്റയിലേക്ക് പ്രവേശനം ഉണ്ട്.

കളിക്കാരുടെ പ്രകടനം അളക്കുന്നതിനുള്ള സ്വർണ്ണ മാനദണ്ഡമാണ് ഡോം ലുസ്സിസിന്റെ ജിഎസ്വിഎ മോഡൽ. സത്യം പറഞ്ഞാൽ, ചില ടീമുകൾക്ക് ആന്തരികമായി ഉള്ളതിനേക്കാൾ മികച്ചതാണ് ഇത്. ശമ്പള മൂല്യം, വിജയങ്ങൾ, വിവിധ സ്റ്റാറ്റിസ്റ്റിക്കൽ പ്രൊജക്ഷനുകൾ എന്നിവ മുതൽ എല്ലാം. ജി എസ് വി എ ഉപയോഗിച്ച് മീഖാ മക്കർഡിയെയും എവല്യൂമിംഗ് ഹോക്കി മോഡലുകളെയും മനസിലാക്കി, പുരോഗതിയും പിന്നോക്കവും ട്രാക്കുചെയ്യുന്നതിന് കളിക്കാരെ തത്സമയം അളക്കാൻ ഒരു അവസരം നിലവിലുണ്ട്.

ആഴത്തിലുള്ള പഠനത്തിൽ ഏർപ്പെടുക. ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് ന്യൂറൽ നെറ്റ് വർക്കുകളെ അടിസ്ഥാനമാക്കിയുള്ള മെഷീൻ ലേണിംഗിന്റെ പരിണാമമാണ് ഡീപ് ലേണിംഗ്. മസ്തിഷ്കം എങ്ങനെ വിവരങ്ങൾ സ്വീകരിക്കുകയും തീരുമാനങ്ങൾ എടുക്കാൻ പരിണമിക്കുകയും ചെയ്യുന്നു എന്ന് അനുകരിക്കുക എന്ന ലക്ഷ്യത്തോടെ മനുഷ്യ മസ്തിഷ്കത്തിൽ നിന്ന് പ്രചോദനം ഉൾക്കൊണ്ടാണ് ഇത് നിർമ്മിച്ചത്. വ്യത്യസ്ത തരം ന്യൂറൽ നെറ്റ് വർക്കുകൾ ഉണ്ട്, ചിലത് സെൽഫ് ഡ്രൈവിംഗ് വാഹനങ്ങൾ, ചാറ്റ്ജിപിടി, വെർച്വൽ അസിസ്റ്റന്റുകൾ എന്നിവയിൽ കാണപ്പെടുന്നു. പ്രവചന സ്പോർട്സ് മോഡലിംഗിന് ഇത് ബാധകമായതിനാൽ, ഉപയോഗിക്കാൻ കഴിയുന്ന നിരവധി തരം ന്യൂറൽ നെറ്റ് വർക്കുകൾ ഉണ്ട്. ഉദാഹരണത്തിന്, ഉപയോഗിക്കാവുന്ന രണ്ട് തരം ന്യൂറൽ നെറ്റ് വർക്ക്: പൂർണ്ണമായും കണക്റ്റുചെയ് ത ന്യൂറൽ നെറ്റ് വർക്ക് (റിഗ്രഷൻ), ആവർത്തിച്ചുള്ള ന്യൂറൽ നെറ്റ് വർക്ക് (സീക്വൻഷ്യൽ ഡാറ്റ).

നൽകിയിരിക്കുന്ന ഡാറ്റയുടെ പ്രവർത്തനപരമായ ഏകദേശം പഠിക്കാൻ മോഡലിനെ അനുവദിക്കുക എന്നതാണ് ഒരു ന്യൂറൽ നെറ്റ് വർക്ക് മോഡൽ ഉപയോഗിക്കുന്നതിന്റെ ഉദ്ദേശ്യം. ഈ മോഡലിന് മുൻ സീസണുകളെ അടിസ്ഥാനമാക്കിയുള്ള പ്രൊജക്ഷനുകൾ ഉണ്ട്, എന്നിരുന്നാലും ഇത് സംഭവിക്കുമ്പോൾ ഡാറ്റ ആഗിരണം ചെയ്യുകയും മോഡൽ അപ്ഡേറ്റ് ചെയ്യുകയും ചെയ്യും. ഉദാഹരണത്തിന്, 2021-22 ൽ ടേജ് തോംസണിന്റെ 14 പോയിന്റിൽ നിന്ന് 68 പോയിന്റിലേക്കുള്ള കുതിപ്പ് മോഡൽ പ്രവചിക്കുമായിരുന്നില്ല. എന്നിരുന്നാലും, ഇത് തോംസണിന്റെ ഉൽപാദനത്തിലെ ഉയർച്ച കാണുകയും സീസൺ തുടരുമ്പോൾ അദ്ദേഹത്തിന്റെ പ്രൊജക്ഷനുകൾ ക്രമീകരിക്കുകയും ചെയ്യുമായിരുന്നു. കഴിഞ്ഞ സീസണിന് മുമ്പ്, ടിം സ്റ്റുട്സിൽ 62 പോയിന്റുമായി ഈ വർഷം അവസാനിക്കുമെന്ന് കെവിൻ പ്രവചിച്ചിരുന്നു. കഴിഞ്ഞ സീസണിലുടനീളം മോഡൽ തന്റെ ഗെയിമുകൾ ആസ്വദിക്കാൻ തുടങ്ങിയപ്പോൾ, പ്രൊജക്ഷൻ ഗണ്യമായി ഉയർന്നു. ഗെയിം 20 ഓടെ, സ്റ്റുട്സിൽ 90 പോയിന്റുകൾ നേടുമെന്ന് പ്രവചിക്കപ്പെട്ടു – മോഡൽ ഡാറ്റ കഴിക്കുമ്പോൾ മെച്ചപ്പെട്ട കൃത്യത പ്രകടമാക്കുന്നു. കഴിഞ്ഞ സീസണിൽ സ്റ്റുട്സലിനെ കണ്ട മനുഷ്യ മസ്തിഷ്കത്തിന് സമാനമായി, മസ്തിഷ്കം അദ്ദേഹത്തിന്റെ പുരോഗതി പ്രോസസ്സ് ചെയ്തു, പല വിശകലന വിദഗ്ധരും അദ്ദേഹം ഒരു ഗെയിമിന് ഒരു പോയിന്റ് ആയിരിക്കുമെന്ന് അഭിപ്രായപ്പെട്ടു. ആഴത്തിലുള്ള പഠനം അത് വേഗത്തിലും കൃത്യതയോടെയും ചെയ്തു എന്നതാണ് ഒരേയൊരു വ്യത്യാസം.

ലളിതമായ ലീനിയർ റിഗ്രഷൻ മോഡലിനേക്കാൾ കൂടുതൽ കൃത്യതയുള്ളതായിരിക്കാൻ മോഡലിന് കുറച്ച് ഗെയിമുകൾ മാത്രമേ ആവശ്യമുള്ളൂ. ഇത് നിലവിലെ കളിയെ കണക്കിലെടുക്കുന്നതിനാൽ, ഇത് സീസണിൽ ഒരു കളിക്കാരന്റെ പ്രകടനം അവരുടെ യഥാർത്ഥ പ്രവചനത്തിലേക്ക് ട്രാക്കുചെയ്യുന്നു. ഒരു സീസണിൽ ഒരു കളിക്കാരൻ എത്രത്തോളം സ്ഥിരത പുലർത്തുന്നുവെന്ന് നന്നായി മനസിലാക്കാൻ ഒരു കളിക്കാരൻ പ്രതീക്ഷയ്ക്ക് മുകളിലോ താഴെയോ പ്രകടനം നടത്തിയ ഗെയിമുകളുടെ ഒരു സ്ട്രെച്ച് നിങ്ങൾക്ക് നിർണ്ണയിക്കാൻ കഴിയും.

എന്തുകൊണ്ട് കെവിൻ?

നമുക്ക് ഇത് വഴിയിൽ നിന്ന് ഒഴിവാക്കാം. ചില കാരണങ്ങളാൽ മോഡലിന്റെ പേര് കെവിൻ എന്നാണ്. ആഴത്തിലുള്ള പഠനവും മനുഷ്യ മസ്തിഷ്കവും തമ്മിലുള്ള ബന്ധം കണക്കിലെടുക്കുമ്പോൾ, ഒരു മനുഷ്യ നാമം തികച്ചും യോജിക്കുന്നു. ഏറ്റവും പ്രധാനമായി, ഞാൻ യഥാർത്ഥ ഡാറ്റ വിഷ്വലൈസേഷൻ ചെയ്തപ്പോൾ (ചുവടെ കാണുക), ഇത് “അപ്പ്” എന്ന സിനിമയിലെ പക്ഷിയെപ്പോലെയാണെന്ന് മീഖാ മക്കർഡി ചൂണ്ടിക്കാട്ടി. ഒരു മാച്ച് ഉണ്ടാക്കിയതുപോലെ തോന്നി, കെവിൻ ജനിച്ചു.

കെവിൻ എങ്ങനെ നിർമ്മിക്കപ്പെട്ടിരിക്കുന്നു

ഡാറ്റ ലഭിക്കുന്നതിനുള്ള പ്രക്രിയ അതേപടി തുടരുന്നു. പൈത്തൺ ഉപയോഗിച്ച്, സമീപഭാവിയിൽ പ്രതീക്ഷിക്കുന്ന മാറ്റങ്ങൾ കണക്കിലെടുക്കാൻ ഒരു പുതിയ ടൂൾകിറ്റ് എഴുതി. എൻഎച്ച്എൽ, എലൈറ്റ് പ്രോസ്പെക്ട്സ് ഡാറ്റ എന്നിവ ഉപയോഗിച്ച്, സ്റ്റാറ്റിസ്റ്റിക്സ് മുതൽ ശമ്പളം, ബയോമെട്രിക് ഡാറ്റ, പൊസിഷനൽ ഡാറ്റ എന്നിവ വരെ കളിക്കാരുടെ സ്ഥിതിവിവരക്കണക്കുകൾ ധാരാളമായി ഉൾക്കൊള്ളുന്നു.

ഈ പ്രക്രിയയുടെ ഏറ്റവും ദൈർഘ്യമേറിയതും വിരസവുമായ ഭാഗം ഡാറ്റ വൃത്തിയാക്കലാണ്. എൻഎച്ച്എൽ ഡാറ്റ ഉപയോഗിച്ച് പ്രവർത്തിക്കുന്ന ആരോടും ചോദിക്കുക, അവർ അവരുടെ മോഡൽ നിർമ്മിക്കാൻ ഡാറ്റ തയ്യാറാക്കാൻ 95% സമയം ചെലവഴിക്കുന്നു. കാണാതായ ഡാറ്റ മുതൽ പ്ലെയർ പൊസിഷനുകൾ വരെ എല്ലാം ശരിയായി എൻകോഡ് ചെയ്യാത്തത് വരെ സമയമെടുക്കും. എൻഎച്ച്എൽ ഡാറ്റയിലെ മിക്ക ഗോളികളെയും തെറ്റായി ലേബൽ ചെയ്തതിനാൽ എലൈറ്റ് പ്രോസ്പെക്ട്സ് എപിഐ സ്ഥാനം പിശകുകൾക്ക് വളരെ സഹായകരമായിരുന്നു.

ഡാറ്റ വൃത്തിയാക്കിക്കഴിഞ്ഞാൽ, ഹൂഡിന് കീഴിൽ എന്താണുള്ളതെന്ന് നന്നായി മനസിലാക്കാൻ സാൻഡ്ഡാൻസ് ഉപയോഗിച്ച് ഇത് ദൃശ്യവൽക്കരിക്കപ്പെട്ടു. ആദ്യമായി ഒരു ന്യൂറൽ നെറ്റ് വർക്ക് മോഡൽ നിർമ്മിക്കുന്നത് സാധാരണ ലീനിയർ റിഗ്രഷൻ മോഡലിൽ നിന്ന് ഒരു വലിയ കുതിച്ചുചാട്ടമാണ്. ഡാറ്റ ദൃശ്യവൽക്കരിക്കുകയും എന്താണ് ഉപയോഗിക്കേണ്ടതെന്ന് നിർണ്ണയിക്കുകയും ചെയ്തുകഴിഞ്ഞാൽ, കാര്യങ്ങൾ ഒരുമിച്ച് ചേർക്കേണ്ട സമയമായി.

മോഡൽ കഴിഞ്ഞ രണ്ട് സീസൺ മൂല്യമുള്ള ഡാറ്റ ഉപയോഗിക്കുന്നു, നിലവിലെ സീസൺ ഉപയോഗിക്കും. എപിഐയിൽ നിന്ന് കഴിഞ്ഞ സീസണുകളിൽ മോഡൽ ആവർത്തിച്ച് വലിച്ചിട്ടില്ലെന്ന് ഉറപ്പാക്കാൻ ഓരോ കളിക്കാരന്റെയും പ്രകടനത്തിന്റെ സംഗ്രഹ വെക്റ്റർ സൃഷ്ടിച്ചു. കഴിഞ്ഞ സീസണിൽ 10 ൽ താഴെ എൻഎച്ച്എൽ ഗെയിമുകളിൽ പ്രത്യക്ഷപ്പെട്ട കളിക്കാരെ ഡാറ്റ വളച്ചൊടിച്ചതിനാൽ ഫിൽട്ടർ ചെയ്തു. ഈ സീസണിൽ ഒരു കളിക്കാരൻ 10 ഗെയിമുകൾ കളിക്കുകയാണെങ്കിൽ, അവ മോഡലിൽ ഉൾപ്പെടുത്തും.

തുടക്കത്തിൽ മോഡലിന്റെ പ്രാഥമിക ഉപയോഗം വാതുവയ്പ്പിനായി ആയതിനാൽ, ഗെയിമുകൾ, ഗോളുകൾ, അസിസ്റ്റുകൾ, പോയിന്റുകൾ, ഷോട്ടുകൾ എന്നിവ ഏറ്റവും പ്രധാനമായിരുന്നു. മുൻ സീസണുകളിലെ പ്രകടനങ്ങൾ മനസിലാക്കാൻ ഓരോരുത്തർക്കും വെക്റ്ററുകൾ സൃഷ്ടിക്കുന്നത് മോഡലിനെ പരിശീലിപ്പിക്കുന്നതിനുള്ള മികച്ച മാർഗമാണ്. സ്ഥിതിവിവരക്കണക്കുകൾ കളിക്കാരൻ തരംതിരിക്കുകയും ഗ്രൂപ്പുചെയ്യുകയും കളിച്ച ഗെയിമുകളുടെ എണ്ണത്തിൽ ശരാശരി കണക്കാക്കുകയും ചെയ്തു.

കളിക്കാരെ അവരുടെ സ്ഥാനം അനുസരിച്ച് ബൈനറിഫൈ ചെയ്യുകയും വെക്ടറൈസ്ഡ് സ്റ്റാറ്റ് സംഗ്രഹം ഡാറ്റാ ഫ്രെയിമിലേക്ക് ചേർക്കുകയും ചെയ്തു. സ്ഥിതിവിവരക്കണക്കുകൾ എണ്ണുന്നതിനായി പ്രവചിക്കുമ്പോൾ, പ്രത്യേക സ്റ്റാറ്റ് സെറ്റിൽ നിന്ന് ഒഴിവാക്കുകയും മാട്രിക്സിലെ വൈ വേരിയബിളായി മാറുകയും ചെയ്യുന്നു. ഡാറ്റ അളക്കുകയും രൂപാന്തരപ്പെടുത്തുകയും ചെയ്തു. ഏത് മോഡൽ മികച്ചതാണെന്ന് നിർണ്ണയിക്കാൻ ഒന്നിലധികം മോഡൽ തരങ്ങൾ ഉപയോഗിച്ച് ഡാറ്റ പരിശീലിപ്പിച്ചു. ആത്യന്തികമായി, പൂർണ്ണമായും കണക്റ്റുചെയ് ത ന്യൂറൽ നെറ്റ് വർക്ക് മോഡൽ മികച്ച ഫലങ്ങൾ നൽകി. മോഡൽ തത്സമയം ഡാറ്റ ആഗിരണം ചെയ്യുമ്പോൾ മാറ്റങ്ങൾ വരുത്തണോ എന്ന് നിർണ്ണയിക്കാൻ മറ്റ് ആവർത്തനങ്ങൾ സൂക്ഷിക്കുകയും സീസണിൽ പരീക്ഷിക്കുകയും ചെയ്യും.

കെവിൻ എങ്ങനെ പന്തയം വയ്ക്കാം

മോഡൽ ഉപയോഗിക്കാൻ രണ്ട് വഴികളുണ്ട്. ഒന്ന് പ്ലെയർ പ്രോപ്പുകളുടെ സ്ഥിതിവിവരക്കണക്കുകൾ എണ്ണുന്നതിനാണ്, മറ്റൊന്ന് ഫലത്തെ അടിസ്ഥാനമാക്കിയുള്ള വാതുവയ്പ്പിനുള്ളതാണ്. ഒരു ന്യൂറൽ നെറ്റ് വർക്കായി മാറുന്നതിന് മോഡലിന് നിലവിലെ സീസണിലെ ഡാറ്റയുടെ കുറച്ച് ഗെയിമുകൾ ആവശ്യമാണ്.

ഏതെങ്കിലും രാത്രിയിൽ ഒരു കളിക്കാരന്റെ സ്റ്റാറ്റിസ്റ്റിക്കൽ പ്രൊജക്ഷനുകൾ കാണിക്കുന്ന ഒരു പേജ് നിലവിലുണ്ട്. അവ നിലവിലുള്ള ഡാഷ്ബോർഡിന്റെ സ്ക്രീൻഷോട്ടുകളായിരിക്കും. ഹോസ്റ്റിംഗ് സൈറ്റിന്റെ പരിമിതികൾ കണക്കിലെടുക്കുമ്പോൾ, ഈ സൈറ്റിൽ ഒരു ഡാഷ്ബോർഡ് പൂർണ്ണമായും കഴിക്കാനും ഉപയോഗിക്കാനും കഴിയില്ല. ക്രമേണ, ഒരു കളിക്കാരൻ അവരുടെ എണ്ണൽ സ്ഥിതിവിവരക്കണക്കുകളിൽ എത്രത്തോളം സ്ഥിരത പുലർത്തുന്നുവെന്ന് കാണിക്കുന്ന ഒരു പൂർണ്ണ ഗവേഷണ പേജിനായി പദ്ധതികളുണ്ട് – ഇത് ഗോളിലെ ഷോട്ടുകൾക്ക് ഏറ്റവും പ്രധാനമായിരിക്കും. ഒരു കളിക്കാരന്റെ ലൈൻ 2.5 ആണെങ്കിൽ, അവർ അവരുടെ 90% ഗെയിമുകളിലും 2 ഷോട്ടുകൾ റെക്കോർഡുചെയ്യുന്നുവെങ്കിൽ, ഒരു പാർലെയിൽ 2 + ഷോട്ടുകൾക്കായി അവരെ തിരഞ്ഞെടുക്കുന്നത് വിലയേറിയ ഓപ്ഷനാണ്.

കഴിഞ്ഞ സീസണിൽ ജാരെഡ് മക്കൻ, ഡ്രേക്ക് ബാത്തേഴ്സൺ, മൈക്ക് മാത്തസൺ എന്നിവർ 2+ ഷോട്ടുകൾ നേടിയിരുന്നു. അവർ കളിച്ച ഓരോ രാത്രിയിലും, ഞാൻ ഓരോരുത്തരെയും 2.5 ഷോട്ടുകൾക്ക് മുകളിൽ എടുത്ത് 2+ റൺസിന് പുറത്താക്കി. 2+ പന്തയം 80 ശതമാനത്തിലധികം സമയവും 2.5 ഷോട്ടുകള് 70 ശതമാനത്തില് താഴെയുമാണ് നേടിയത്. ട്രെൻഡുകൾ തിരിച്ചറിയുന്നത് കളിക്കാരുടെ പ്രോപ്പുകൾക്ക് പ്രധാനമാണ്.

ഇത് മണി ലൈനുമായും മൊത്തവുമായും ബന്ധപ്പെട്ടതിനാൽ, ഡാഷ്ബോർഡിന്റെ സ്ക്രീൻഷോട്ട് ശതമാനങ്ങൾക്കൊപ്പം എടുക്കും. മോഡൽ സ്കോർലൈനുള്ള നിരവധി ഗെയിമുകൾ അനുകരിക്കും. മണി ലൈൻ ശതമാനം ടീമിന്റെ വിജയസാധ്യതയാണ്. അവ വാതുവയ്പ്പ് ലൈനിൽ മൂല്യം സൂചിപ്പിക്കുന്നില്ല. മോഡൽ സ്കോർലൈൻ അനുകരിക്കും, ഗെയിമിൽ പ്രതീക്ഷിക്കുന്ന മൊത്തം ഗോളുകളുടെ എണ്ണം നിർമ്മിക്കും. പോസ്റ്റുചെയ്ത മൊത്തം സിമുലേഷനുകൾ ഉൽപാദിപ്പിക്കുന്നതിന്റെ ശരാശരിയെ പ്രതിനിധീകരിക്കുന്നു. അസന്തുലിതാവസ്ഥയെ അടിസ്ഥാനമാക്കി സൂചിപ്പിക്കപ്പെട്ട വിജയ ശതമാനവും മോഡലിന്റെ ഔട്ട്പുട്ടും തമ്മിലുള്ള വ്യത്യാസം കണ്ടെത്തി മണി ലൈൻ മൂല്യം കണക്കാക്കാം.

പ്ലെയർ പ്രൊജക്ഷനുകളുടെ അതേ പ്രക്രിയ ഉപയോഗിച്ചാണ് ഫലത്തെ അടിസ്ഥാനമാക്കിയുള്ള മോഡൽ നിർമ്മിച്ചതെന്ന് ശ്രദ്ധിക്കേണ്ടത് പ്രധാനമാണ്. നൽകിയ ഗെയിമിൽ ഉൾപ്പെട്ടിരിക്കുന്ന കളിക്കാർ, അവരുടെ പ്രൊജക്റ്റഡ് മൂല്യം, ഗെയിമുകൾ അനുകരിക്കൽ എന്നിവ ഇത് കണക്കാക്കുന്നു. ന്യൂറൽ നെറ്റ് വർക്ക് കൂടുതൽ ഡാറ്റ ആഗിരണം ചെയ്യുന്നതിനാൽ സീസണിൽ ഇത് മെച്ചപ്പെടും.

പരിമിതികൾ

കാലക്രമേണ പ്രവർത്തിക്കുന്ന നിലവിലെ മോഡലിന് പരിമിതികളുണ്ട്. പ്രതീക്ഷിക്കുന്ന ലക്ഷ്യ മാതൃകയുടെ സൃഷ്ടിയും ആക്രമണാത്മകവും പ്രതിരോധപരവുമായ മൂല്യം കണക്കാക്കുന്നതിനുള്ള അളവുകളും പ്രവർത്തിക്കുന്നു. നിലവിൽ, ഗോളുകൾ, അസിസ്റ്റുകൾ, പോയിന്റുകൾ, ഷോട്ടുകൾ, ഹിറ്റുകൾ, സേവുകൾ, മുഖാമുഖം വിജയങ്ങൾ / പരാജയങ്ങൾ, പെനാൽറ്റി മിനിറ്റുകൾ, പ്ലസ്-മൈനസ് തുടങ്ങിയ എല്ലാ സ്ഥിതിവിവരക്കണക്കുകളും പ്രൊജക്റ്റ് ചെയ്യാൻ മോഡലിന് കഴിയും. ഇത് ഒരു കളിക്കാരന്റെ മൂല്യത്തിന്റെ ഒരു വലിയ സ്നാപ്ഷോട്ട് പിടിച്ചെടുക്കുമെങ്കിലും, പ്രതീക്ഷിച്ച ലക്ഷ്യങ്ങളില്ലാതെ ഗെയിമിൽ മൊത്തത്തിലുള്ള സ്വാധീനം ഇത് പിടിച്ചെടുക്കുന്നില്ല. പ്രതീക്ഷിക്കുന്ന ഗോളുകൾ ചേർക്കുമ്പോൾ, ആക്രമണാത്മകവും പ്രതിരോധപരവുമായ മൂല്യം കൂടുതൽ കൃത്യമായി സ്കോർ ചെയ്യാൻ കഴിയും.

രണ്ടാമത്തെ പരിമിതി മോഡൽ പ്രവർത്തിക്കാൻ നിലവിലെ ഡാറ്റ ആവശ്യമാണ് എന്നതാണ്. മോഡൽ പ്രകടനം സാധൂകരിക്കുന്നതിന് മുൻ സീസണുകളിൽ നിന്നുള്ള ഡാറ്റ ഉപയോഗിച്ച് പ്രവചിക്കാൻ കഴിയുമെങ്കിലും, ടീമുകളെ മാറ്റിയ കളിക്കാർക്ക് ഇത് കണക്കിലെടുക്കുന്നില്ല, അവരുടെ ഐസ് സമയമോ റോളോ മറ്റൊരു സാഹചര്യത്തിൽ മാറും, അല്ലെങ്കിൽ സാധ്യതകൾ. ഒരു ഗെയിം ഡാറ്റ കഴിച്ചതിനുശേഷം വെറ്ററൻ എൻഎച്ച്എൽ കളിക്കാരെ യാന്ത്രികമായി തിരിച്ചറിയും. കളിച്ച 10 ഗെയിമുകൾ മറികടന്ന് ഇഎൽസി കരാറിന്റെ ആദ്യ വർഷം പൂർത്തിയാക്കിയ ശേഷം പുതുമുഖങ്ങൾ കളിക്കും. ഇക്കാരണത്താൽ, ടീമുകളെ മാറ്റിയ കളിക്കാരുടെ പ്രവചനങ്ങൾ അഞ്ച് ഗെയിമുകൾ കളിക്കുമ്പോൾ കൂടുതൽ കൃത്യമായി പ്രതിഫലിക്കും.

അടുത്ത ഘട്ടങ്ങൾ

കെവിനു വേണ്ടി വലിയ കാര്യങ്ങളാണ് ആസൂത്രണം ചെയ്തിരിക്കുന്നത്. തീർച്ചയായും, പ്രതീക്ഷിക്കുന്ന ലക്ഷ്യങ്ങൾ ചേർക്കുന്നതാണ് അടുത്ത പ്രധാന തടസ്സം. അസംസ്കൃത ഡാറ്റയിൽ പുതിയ ഡാറ്റാ ലേബലുകൾ ഉപയോഗിക്കുന്നത് മോഡൽ സൃഷ്ടിക്കുന്നതിനും പ്രതിരോധ മേഖല ശേഷിയും മൊത്തത്തിലുള്ള പ്രകടനവും മനസിലാക്കുന്നതിനും അൽപ്പം കൂടുതൽ സഹായകമാകും.

പ്രതീക്ഷിക്കുന്ന ഗോൾ മോഡൽ ഉൾപ്പെടുത്തിയുകഴിഞ്ഞാൽ, ഒരു കളിക്കാരന്റെ പ്രവചിച്ച മൂല്യം സീസണിൽ ഉടനീളം കണക്കാക്കുകയും ട്രാക്കുചെയ്യുകയും ചെയ്യും. ഏതെങ്കിലും ഗെയിമിലെ യഥാർത്ഥ മൂല്യവുമായി താരതമ്യപ്പെടുത്തുമ്പോൾ അവരുടെ പ്രവചിക്കപ്പെട്ട മൂല്യം അവരുടെ പ്രതീക്ഷിത ഔട്ട്പുട്ടിന് മുകളിലോ കുറവോ പ്രകടനം നടത്തിയിട്ടുണ്ടോ എന്ന് മനസിലാക്കാൻ. സ്വന്തം പ്രതീക്ഷകളുമായി താരതമ്യപ്പെടുത്തുമ്പോൾ ഒരു കളിക്കാരന്റെ പ്രകടനത്തിന്റെ ദ്രുത വിശകലനം ഇത് അനുവദിക്കും. കളിക്കാരന്റെ മൂല്യം അളക്കുന്നതിനും സമാന കളിക്കാർക്ക് മൂല്യ പരിധികൾ സ്ഥാപിക്കുന്നതിനും കരാറുകൾ താരതമ്യം ചെയ്യുന്നതിനും ശമ്പള ഡാറ്റ ഉപയോഗിക്കും.