חיזוי משודרג של משחקי קריקט באמצעות שיטות kernel לחילוץ תכונות ורשתות עצביות בהחזר לאחור

חיזויים חכמים יותר לאוהדי קריקט

חובבי קריקט מכירים את הריגוש שבעיכול לנחש מי ינצח כאשר המשחק משתנה שוב ושוב. מחקר זה ממסחר את התחושה ההיא למספרים באמצעות כלי נתונים מודרניים לחיזוי תוצאת משחקי One Day International (ODI) כדור־אחר־כדור. במקום להמתין לסיום, המערכת מעדכנת את ההערכה שלה אחרי כל אובר, ומספקת אומדן רציף של סיכויי כל קבוצה ככל שהמשחק מתקדם.

לקרוא את המשחק כמו מומחה נתונים

בלב העבודה עומדת רעיון פשוט: כל אובר מייצג תמונת מצב של המשחק. המחברים מתייחסים לכל אחת מהתמונות הללו כאל מצב משחק נפרד ושואלים: "בהינתן מה שאנו יודעים כרגע, מה הסיכוי שקבוצת B תנצח?" כדי לענות על כך הם מזינים שישה סוגי מידע למערכת החיזוי: כמה כדורים נשארו, בכמה ריצים קבוצת A מובילה, כמה ויקטות נשארו, עד כמה כל קבוצה חזקה באופן כללי, האם קהל הבית תומך בצד אחד, ומי זכה בהטלת המטבע. על ידי שילוב חלקים אלה המערכת קולטת גם את הלחץ שבסרגל התוצאות וגם את ההקשר הרחב יותר שעליו מרבים לדבר מפרגנים וטענות אנליטיות.

בניית ציוני חוזק מתוך מאה שנות נתונים

המודל מאומן על אוסף עצום של נתוני קריקט בינלאומיים המתפרשים אחורה עד 1877 ומכסים פורמטים של ODI, טסט ו‑T20. עבור כל שחקן החוקרים אוספים רשומות של פעולות החבטה, ההגשה והכיבוי כגון ממוצעים, שיעורי סטרייק וקצבי כלכלה. אלה מוצאים חיבור לציון "חוזק קבוצה" המשקף כמה חזקה הקבוצה על הנייר לפני שיורה כדור. במהלך המשחק חוזק ארוך־הטווח זה משתלב עם תנאים לטווח הקצר כגון יתרון ביתי ומצב המרדף הנוכחי, וכתוצאה נוצרים כ־100,000 רשומות מצב-משחק מטוהרות בקפידה שלמדיה מערכת הלמידה.

להניח לאלגוריתמים לבחור את הרמזים המשמעותיים ביותר

לא כל סטטיסטיקה עוזרת למחשב לקבל החלטה טובה יותר, ואם מכניסים יותר מדי אפשר למעשה לבלבל אותו. כדי להתמודד עם הבעיה הזו המחברים משתמשים בשיטת חיפוש בהשראת ליגות ספורט, הנקראת League Championship Algorithm. בגישה זו תתי‑הקבוצות השונות של תכונות "מתחרות" ביניהן. תתי־הקבוצות שמניבות חיזויים טובים יותר מתנהגות כקבוצות מנצחות, והחלשות מעתיקות חלקים מהאסטרטגיה שלהן. לאורך סבבים רבים התהליך מתמקד במכלול קטן של קלטים שימושיים במיוחד. מבחנים מראים ששיטת הבחירה הזו עוברת טכניקות נפוצות יותר, מה שמוביל לדיוק גבוה יותר ולמודל פשוט ויעיל יותר.

איך הרשת העצבית לומדת לקבוע מנצח

לאחר שבוחרים את התכונות הטובות ביותר, הן מוזנות לרשת עצבית בהחזר לאחור — כלי גמיש לזיהוי דפוסים שמכוון משקלים פנימיים עד שהוא יודע לקשר באופן אמין מצבי משחק לתוצאות. כל אובר הופך לדוגמת אימון אחת: הקלט הן ששת הקריטריונים המרכזיים והפלט הוא האם בסופו של דבר קבוצת B ניצחה או הפסידה. על ידי השוואה חוזרת של ההערכות לתוצאות אמיתיות וכוונון פנימי לצמצום השגיאות, הרשת לומדת בהדרגה שילובים מעודנים של תנאים — כגון קבוצה חזקה במרדף עם ויקטות ביד ויתרון ביתי — שמובילים בדרך כלל לניצחון.

עוקפת מודלים יריבים בכל הפורמטים

המחברים משווים את הרשת שלהם למספר גישות מתחרות, כולל מודלים המבוססים על תכונות שנבחרו ידנית ושיטות מבוססות עצים שמשמשות רבות באנליטיקה ספורטיבית. בנתוני ODI, טסט ו‑T20 המערכת שלהם מניבה דיוק גבוה יותר, עם ציונים על מערכי הבדיקה בסביבות טווח ה‑80 באמצע האחוזים, וביצועים חזקים יותר במדדים שמשקפים גם כמה פעמים היא מזהה מנצח פוטנציאלי וגם עד כמה הקריאות החיוביות האלה נכונות. הגורמים המשפיעים ביותר הם סטטיסטיקות הקשורות לסקורס — כמו שיעור סטרייק וסך הריצים — מה שמאשר אינטואיציה של אוהד שהבקיענים מהירים ועקביים יכולים להטות משחקים צמודים.

מה זה אומר לאוהדים, לקבוצות ולשדרנים

לדובר הכללי, המסקנה היא שהגלים והירידות של משחק קריקט ניתנים עכשיו לתרגום להסתברויות ניצחון מדויקות ומעודכנות בקביעות. על ידי שילוב רשומות שחקנים ארוכות טווח, תנאי משחק מיידיים ומערכת למידה מכוונת בקפידה, המחקר מראה שניתן לחזות תוצאות באמינות מרשימה בזמן שהמשחק עדיין מתנהל. כלים כאלה יכולים לתמוך בפרשנות חיה, בהחלטות אימון ואפילו באפליקציות לצופים שמראות איך כל כדור משנה במעט את הסיכויים. במלים פשוטות, המחקר ממחיש שכאשר נתוני הקריקט העשירים משולבים עם אלגוריתמים חכמים, התחושה האינטואיטיבית של "מי עולה על פני מי" ניתנת להפיכה לתמונה ברורה ומונעת נתונים.

ציטוט: 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

מילות מפתח: אנליטיקה של קריקט, חיזוי ספורט, למידת מכונה, רשתות עצביות, חזוי תוצאות משחקים