تحسين توقعات مباريات الكريكيت باستخدام طرق النواة لاستخراج الميزات وشبكات عصبية ذات ارتداد خلفي

توقعات أذكى لعشاق الكريكيت

يعرف عشاق الكريكيت إثارة محاولة التكهن بالفائز بينما تتقلب المباراة. تحول هذه الدراسة ذلك الإحساس الغريزي إلى أرقام باستخدام أدوات بيانات حديثة للتنبؤ بنتيجة مباريات One Day International (ODI) كرة بكرّة تلو الأخرى. بدلاً من الانتظار حتى النهاية، يقوم النظام بتحديث توقعه بعد كل أوفر، مقدماً تقديراً جاريًا لفرص كل فريق مع تطور المباراة.

قراءة المباراة كخبير بيانات

في صلب العمل فكرة بسيطة: كل أوفر يمثل لقطة للمباراة. يعامل المؤلفون كل واحدة من هذه اللقطات كحالة لعبة منفصلة ويسألون، «بناءً على ما نعرفه الآن، ما احتمال فوز الفريق ب؟» للإجابة عن ذلك، يغذون النظام التنبؤي بستة أنواع من المعلومات: عدد الكرات المتبقية، فرق النقاط الذي يتقدم به الفريق أ، عدد الويكيتس المتبقية، مدى قوة كل فريق بشكل عام، ما إذا كان جمهور الأرض يفضل أحد الجانبين، ومن فاز بقرعة البداية. بدمج هذه العناصر، يلتقط النظام كلًا من ضغط نتيجة اللوحة والسياق الأوسع الذي يتحدث عنه المعلقون البشريون.

بناء درجات القوة من قرن من المباريات

يتدرّب النموذج على مجموعة كبيرة من بيانات الكريكيت الدولية تمتد إلى عام 1877 وتشمل صيغ ODI وTest وT20. بالنسبة لكل لاعب، يجمع الباحثون سجلات الضرب، والرمية، والحراسة مثل المتوسطات، ومعدلات الضرب، ومعدلات الاقتصاد. تُدمج هذه في درجة «قوة الفريق» التي تعكس مدى قوة الفريق نظريًا قبل رمي الكرة. أثناء المباراة، يتم مزج هذه القوة طويلة الأمد مع ظروف قصيرة الأجل مثل ميزة الأرض وحالة المطاردة الحالية، منتجة نحو 100,000 سجل حالة مباراة منظف بعناية ليقوم نظام التعلم بدراستها.

ترك الخوارزميات تختار الدلائل الأكثر إيحاءً

ليست كل إحصائية مفيدة لجعل الحاسوب يتخذ قرارًا أفضل، وإدخال الكثير منها قد يربكه فعليًا. لمواجهة ذلك، يستخدم المؤلفون طريقة بحث مستوحاة من الدوريات الرياضية، تسمى خوارزمية بطولة الدوري. في هذا النهج، تتنافس مجموعات فرعية مختلفة من الميزات مع بعضها البعض. تُعامل المجموعات التي تؤدي إلى توقعات أفضل كفرق فائزة، وتقوم الأضعف منها بنسخ أجزاء من استراتيجيتها. على مدار جولات متعددة، يتركز هذا الإجراء على مجموعة صغيرة من المدخلات المفيدة بشكل خاص. تظهر الاختبارات أن هذه طريقة الاختيار تتفوق على تقنيات أكثر شيوعًا، مما يؤدي إلى دقة أعلى ونموذج أبسط وأكثر كفاءة.

كيف تتعلم الشبكة العصبية اختيار الفائز

بمجرد اختيار أفضل الميزات، تُرسل إلى شبكة عصبية ذات ارتداد خلفي، وهي أداة مرنة للتعرف على الأنماط تضبط الأوزان الداخلية حتى تتمكن من ربط حالات المباراة بالنتائج بشكل موثوق. يصبح كل أوفر مثال تدريب واحد: المدخل هو المعايير الستة الرئيسية، والمخرج هو ما إذا كان الفريق ب قد فاز أو خسر في النهاية. من خلال مقارنة توقعاتها بالنتائج الحقيقية مرارًا وتكرارًا وضبط إعداداتها الداخلية لتقليل الأخطاء، تتعلم الشبكة تدريجيًا تراكيب دقيقة من الشروط — مثل فريق مطاردة قوي مع ويكيتات متبقية وميزة أرض — التي عادةً ما تؤدي إلى النصر.

تفوق على النماذج المنافسة عبر الصيغ

يواجه المؤلفون شبكتهم بعدة منهجيات منافسة، بما في ذلك نماذج تعتمد على ميزات مختارة يدويًا وطرق الأشجار المستخدمة بصورة واسعة في تحليلات الرياضة. عبر بيانات ODI وTest وT20، يقدم نظامهم دقة أعلى، مع نتائج على مجموعة الاختبار تقارب منتصف نطاق 80 بالمئة، وأداء أقوى في مقاييس تلتقط كلًا من مدى تكرار اكتشاف الفائز المحتمل ومدى صحة تلك التوقعات الإيجابية. تتضح أن العوامل الأكثر تأثيرًا هي إحصاءات مرتبطة بالتسجيل مثل معدل الضرب وإجمالي النقاط، مما يعكس حدس المشجع بأن المسجلين السريعين والمتسقين يمكن أن يميلوا بالنتائج في المباريات المتقاربة.

ماذا يعني هذا للمشجعين والفرق والمذيعين

بالنسبة للقارئ العام، الخلاصة هي أن تذبذب المباراة في الكريكيت يمكن الآن ترجمته إلى احتمالات فوز دقيقة ومحدثة بانتظام. من خلال مزج سجلات اللاعبين طويلة المدى، وظروف المباراة الفورية، ونظام تعلم مضبوط بعناية، تُظهر الدراسة أنه يمكننا التنبؤ بالنتائج بمصداقية ملحوظة بينما لا تزال المباراة جارية. يمكن أن تدعم مثل هذه الأدوات التعليق الحي، وقرارات التدريب، وحتى تطبيقات المشاهدة التي تظهر كيف تؤثر كل كرة في تغير الاحتمالات. ببساطة، يوضح البحث أنه عندما تُدمج إحصاءات الكريكيت الغنية مع خوارزميات ذكية، يمكن تحويل إحساسنا الغريزي بـ«من المتفوق» إلى صورة واضحة مدفوعة بالبيانات.

الاستشهاد: Dhinakaran, K., Anbuchelian, S. Enhanced cricket match prediction using kernel methods for feature extraction and back-propagation neural networks. Sci Rep 16, 6478 (2026). https://doi.org/10.1038/s41598-026-36555-6

الكلمات المفتاحية: تحليلات الكريكيت, توقعات رياضية, التعلم الآلي, الشبكات العصبية, تنبؤ النتائج