美联社照片/大卫·菲利普
美国职业棒球大联盟的球队每年大约选秀 1,500 名准球员,但最终只有不到 20% 的人进入大联盟。基于2003年出版的《钱球》(Moneyball)一书中最广为人知的统计思想和方法,马里兰大学的研究人员可能会帮助他们更快地实现这一目标。
施普林格在 2023 年版的《 分析支持的决策》中发表的“棒球信息学——从 MiLB 到 MLB 首次亮相”旨在帮助小联盟系统中的选秀球员确定他们必须改进的比赛方面,以增加他们进入大联盟的机会,无论他们是只呆一周还是像贡纳尔·亨德森对季后赛的巴尔的摩金莺队产生改变游戏规则的影响。
分享对棒球的热情,Chung-Hao Lee M.S. ‘ 22,MBA ‘ 22和Robert H. Smith商学院信息系统临床副教授Adam Lee使用机器学习(一种人工智能,其中系统用数据训练并学习类似于人脑,无需直接编程)来分析2001-10年被选中的球员的棒球表现统计数据和非棒球数据,并创建模型预测他们的可能性达到专业。
“如果这样的机器智能结果能够提高他们的表现,早日达到更高的职业机会,我们会很高兴,”亚当·李(与李中豪没有关系)说。
根据他们的发现,研究生和教授确定了有助于球员发展的四个重要因素:击球率,击球率,选秀位置和在未成年人中花费的总时间。(防守、垒跑和纯粹的运动能力也有助于潜在客户的上升,但研究模型并没有优先考虑。
“’Moneyball’告诉我们,决定一名球员是否可以被召入大联盟的重要因素是他们的上垒率,”现任台湾Winstron人工智能和机器学习项目经理的Chung-Hao Lee说。“但根据我们的模型,我们发现击球平均值对于决定是否可以征召球员更为重要。
在球队掏出巨额签约奖金的时候——比如华盛顿国民队在7月份支付了他们的头号选秀权迪伦·克鲁斯(Dylan Crews)900万美元——他们能够跟踪球员的发展以最大限度地提高他的成功是至关重要的。
“如果你从这个角度来看,这些球队会更好地了解应该召集谁以及何时应该被征召,”李中豪说。“了解这两件事将节省MLB球队的时间和金钱,球员可以加强训练,帮助他们创造更多价值。
为了提高模型的准确性,未来的研究可以扩展到纳入新的高级统计数据,包括比赛中球的平均击球率,超过替换水平的胜利和创建的加权跑动。
新闻旨在传播有益信息,英文版原文来自 https://today.umd.edu/umd-research-could-help-minor-leaguers-swing-for-the-fences