UMD研究可以帮助小联盟球员为栅栏摇摆

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。