Comparison of Real Judo Competition Results with Artificial Neural Networks Method

Yıl 2022, , 88 - 98, 16.09.2022

Ömer Değer Emin Süel

https://doi.org/10.55238/seder.1011913

Öz

In this study, it is aimed to predict Judo competition results with artificial neural networks. For this purpose, 21 different models were created with hyperparameters of the number of layers, number of neurons and optimization methods (SGD, RMSprop, Adam, Adadelta, Adagrad, Adamax, Nadam) in the artificial neural network. The sample of the study consists of 7758 athletes competing in international judo competitions between 2017:01-2021:03. 14 different attributes of each athlete were calculated from the data obtained from 53775 judo competitions held in this period. By sending the attributes of two contestants to the input layer of the neural network, 28 input data and 1 output data were created. The application is trained with seven different optimization methods in the neural network with 64 neurons in one hidden layer, 32-64 neurons in two hidden layers, and 64-128-64 neurons in three hidden layers, respectively. As a result of the application, it was determined that the most successful model (78.6% accuracy, 44.4% error) used 64 neurons in a single layer, RMSprop optimization method. It was determined that the model with the lowest success rate (74.1% accuracy, 51.8% error) used the Adadelta optimization method with 32-64 neurons in its two hidden layers. It was determined that the optimization methods RMSprop and Adamax were more successful than the other methods, while the Adadelta method was more unsuccessful.
As a result, it has been revealed that Judo competition results can be predicted with artificial neural networks by using appropriate dataset and hyperparameters.

Anahtar Kelimeler

Judo, Predicting, Artificial Nuural Network

Gerçek Judo Müsabaka Sonuçlarının Yapay Sinir Ağları Yöntemi Yolu ile Karşılaştırılması

Öz

Bu çalışmada, Yapay sinir ağları ile Judo müsabaka sonuçlarının tahmin edilmesi amaçlanmaktadır. Bu amaç doğrultusunda yapay sinir ağında katman sayıları, nöron sayıları ve optimizasyon yöntemleri (SGD, RMSprop, Adam, Adadelta, Adagrad, Adamax, Nadam) hiperparametleri ile 21 farklı model oluşturulmuştur. Çalışmanın örneklemini 2017:01-2021:03 tarihleri arasında uluslararası büyükler judo müsabakalarında yarışan 7758 sporcu oluşturmaktadır. Bu dönemde yapılan 53775 judo müsabakasından elde edilen verilerden her sporcuya ait 14 farklı öznitelik hesaplanmıştır. Müsabık iki sporcuya ait öznitelikler sinir ağının giriş katmanına gönderilerek 28 adet girdi verisi 1 adet çıktı verisi oluşturulmuştur. Uygulama, tek gizli katmanında 64 nöron, iki gizli katmanında sırasıyla 32-64 nöron ve üç gizli katmanında sırasıyla 64-128-64 nöron bulunan sinir ağında yedi ayrı optimizasyon yöntemi ile sırasıyla eğitilmiştir. Uygulama sonucunda en başarılı modelin (%78.6 doğruluk, %44.4 hata) tek katmanında 64 nöron, RMSprop optimizasyon yöntemi kullandığı belirlenmiştir. Başarı oranı en düşük modelin (%74.1 doğruluk, %51.8 hata) iki gizli katmanında 32-64 nöron, Adadelta optimizasyon yöntemi kullandığı belirlenmiştir. Optimizasyon yöntemlerinden RMSprop ve Adamax’ın diğer yöntemlere kıyasla daha başarılı olduğu, Adadelta yönteminin ise daha başarısız olduğu belirlenmiştir.
Sonuç olarak uygun veri seti ve hiperparametreler kullanılarak Judo müsabaka sonuçlarının yapay sinir ağları ile tahmin edilebileceği ortaya konulmuştur

Anahtar Kelimeler

Judo, Tahmin, Yapay Sinir Ağları

Kaynakça

• Alpaydin, E. (2017). Yapay Öğrenme. (E. Kocabıyık, Ed.) (3. bs.). İstanbul: Boğaziçi Üniversitesi Yayınevi.
• Bartlett, R. (2006). Artificial intelligence in sports biomechanics: new dawn or false hope? Journal of sports science & medicine, 5(4), 474–479. https://pubmed.ncbi.nlm.nih.gov/24357939 adresinden erişildi.
• Büyüköztürk, Ş., Kılıç Çakmak, E., Akgün, Ö. E., Karadeniz, Ş. & Demirel, F. (2017). Bilimsel araştırma yöntemleri. Pegem Akademi Yayıncılık. Ankara:Pegem Akademi Yayıncılık. doi:10.14527/9789944919289
• Developers, T. (2021). TensorFlow. doi:10.5281/ZENODO.4758419
• Franchini, E. & Julio, U. F. (2015). The Judo World Ranking List and the Performances in the 2012 London Olympics. Asian Journal of Sports Medicine, 6(3), doi:10.5812/asjsm.24045
• Géron, A. (2019). Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems (1. bs.). O’Reilly Media
• Harris, C. R., Millman, K. J., van der Walt, S. J., Gommers, R., Virtanen, P., Cournapeau, D., … Oliphant, T. E. (2020). Array programming with {NumPy}. Nature, 585(7825), 357–362. doi:10.1038/s41586-020-2649-2
• Herbinet, C. (2018). Predicting Football Results Using Machine Learning Techniques. 2011 Proceedings of the 34th International Convention MIPRO, 48, 1623–1627.
• Houston, T. H.-T. M. B. (2018). Entertainment Science: Data Analytics and Practical Theory for Movies, Games, Books, and Music. Springer.
• Hunter, J. D. (2007). Matplotlib: A 2D graphics environment. Computing in Science \& Engineering, 9(3), 90–95. doi:10.1109/MCSE.2007.55
• Messner, N. (2019). Judo Celebrates the Planet. 15 Ekim 2020 tarihinde https://www.ijf.org/news/show/judo-celebrates-the-planet adresinden erişildi.
• Nabiyev, V. V. (2016). Yapay Zeka: İnsan - Bilgisayar Etkileşimi (5. bs.). Ankara: Seçkin Yayıncılık.
• Öztemel, E. (2016). Yapay Sinir Ağları (4. bs.). İstanbul: Papatya Yayıncılık Eğitim. pandas - Python Data Analysis Library. (y.y.). 14 Şubat 2021 tarihinde https://pandas.pydata.org/ adresinden erişildi.
• Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., … Duchesnay, E. (2011). Scikit-learn: Machine Learning in {P}ython. Journal of Machine Learning Research, 12, 2825–2830.
• Schumaker, R. P., Solieman, O. K. & Chen, H. (2010). Sports Data Mining. Integrated Series in Information Systems (1. bs., C. 26). Boston, MA: Springer US. doi:10.1007/978-1-4419-6730-5
• Scott, S. & Bergman, J. (2018). The Judo Advantage: Controlling Movement with Modern Kinesiology - For All Grappling Styles. G - Reference, Information and Interdisciplinary Subjects Series. YMAA Publication Center.
• Ser, G. & Bati, C. T. (2019). Determining the best model with deep neural networks: Keras application on mushroom data. Yuzuncu Yil University Journal of Agricultural Sciences, 29(3), 406–417. doi:10.29133/yyutbd.505086 Sport and Organisation Rules of the International Judo Federation - Version: 8. (2020).
• Theobald, O. (2017). Machine Learning For Absolute Beginners: A Plain English Introduction (2 edition.). Scatterplot Press.