Predicting successful player alignments in volleyball using machine learning
Autor(ka) práce:
Čurila, Igor
Typ práce:
Bachelor thesis
Vedoucí práce:
Sokol, Ondřej
Oponenti práce:
Zouhar, Jan
Jazyk práce:
English
Abstrakt:
This bachelor thesis investigates the application of machine learning techniques to analyze and predict the effectiveness of defensive formations in volleyball. Using a manually annotated dataset of 300 plays from professional volleyball matches, three different machine learning models-logistic regression, random forest, and XGBoost-were developed and evaluated. Among these, the XGBoost model achieved the highest accuracy, but all models demonstrated solid performance, suggesting that even with a relatively small and structured dataset, meaningful predictions can be made. The study emphasizes the importance of feature selection and data preparation, focusing on variables available before the attack, such as defender positions, attack type, set quality, and block details. Feature importance analysis revealed that the type of attack, block effectiveness, and especially the position of defender 6 are crucial factors influencing defensive success. The results show that optimal defensive positioning is not static but should adapt dynamically depending on the specific game situation, such as whether the block touches the ball. Although the dataset was limited in size and scope, this research demonstrates that machine learning can provide valuable tactical insights for coaches and players. With larger datasets and automated data collection methods, these approaches have the potential to support real-time decision-making and strategy development in volleyball, ultimately contributing to improved team performance and a deeper understanding of the game.
Predikce optimálních rozestavení hráčů ve volejbalu pomocí strojového učení
Autor(ka) práce:
Čurila, Igor
Typ práce:
Bakalářská práce
Vedoucí práce:
Sokol, Ondřej
Oponenti práce:
Zouhar, Jan
Jazyk práce:
English
Abstrakt:
Tato bakalářská práce se zabývá použitím technik strojového učení k analýze a předvídání účinnosti obranných formací ve volejbale. Na základě ručně anotovaného souboru dat 300 her z profesionálních volejbalových zápasů byly vyvinuty a vyhodnoceny tři různé modely strojového učení - logistická regrese, náhodný les a XGBoost. Z nich dosáhl nejvyšší přesnosti model XGBoost, ale všechny modely prokázaly solidní výkonnost, což naznačuje, že i s relativně malým a strukturovaným souborem dat lze provádět smysluplné předpovědi. Práce zdůrazňuje důležitost výběru příznaků a přípravy dat se zaměřením na proměnné dostupné před útokem, jako jsou pozice obránce, typ útoku, kvalita nahrávky a detaily bloku. Analýza důležitosti příznaků odhalila, že typ útoku, efektivita bloku a zejména pozice obránce 6 jsou rozhodujícími faktory ovlivňujícími úspěšnost obrany. Výsledky ukazují, že optimální obranné postavení není statické, ale mělo by se dynamicky přizpůsobovat v závislosti na konkrétní herní situaci, například na tom, zda se blok dotkne míče. Ačkoli byl soubor dat omezen co do velikosti a rozsahu, tento výzkum ukazuje, že strojové učení může trenérům a hráčům poskytnout cenné taktické poznatky. Díky větším souborům dat a automatizovaným metodám sběru dat mají tyto přístupy potenciál podpořit rozhodování v reálném čase a rozvoj strategie ve volejbale, což v konečném důsledku přispěje ke zlepšení výkonnosti týmu a hlubšímu pochopení hry.
Klíčová slova:
obranné formace; volejbal; strojové učení; sportovní analytika