研究人员开发了一个机器学习框架,用于量化职业室内曲棍球的进攻影响力,超越了基本统计数据来评估射门质量和球员角色。该研究利用了2025-2026年国家曲棍球联赛赛季罗切斯特Knighthawks队的1006次射门尝试。评估了包括逻辑回归和随机森林在内的各种模型,其中上下文基线随机森林在预测预期进球(xG)和预期助攻方面表现最佳。 AI
影响 该框架可以改编用于分析其他运动中的球员表现和策略,可能影响球探和教练的决策。
排序理由 该项目是一篇学术论文,详细介绍了用于特定应用的统计与机器学习框架。[lever_c_demoted from research: ic=1 ai=0.7]
- alphaXiv
- CatalyzeX
- DagsHub
- Extremely randomized trees
- Gotit.pub
- Hugging Face
- IArxiv
- Influence Flower
- Leave-One-Game-Out
- logistic regression model
- National Lacrosse League
- random forest
- Rochester Knighthawks
- ScienceCast
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →