Comparison of classification algorithms in pitch type prediction problem

Abstract

The dramatic increase in the use of IoT devices has been leading to a huge amount of valuable data to be discovered. The knowledge extraction from such a huge amount of data requires an organized scientific set of processes. This requirement has pointed out the importance of the data mining applications. As a major data mining application, classification is a supervised learning technique that requires a feature set and target class through the training process. For the training process, the key point is determining the appropriate feature set for the classification algorithm. The improvements in cutting-edge technologies such as high resolution camera systems have made extracting the insights about next pitch available. Consequently, pitch type prediction has been standing out as an important research topic. In order to predict next pitch type, existing researches mostly focus on pitcher profile, batter profile and previous pitch data in feature set. There is no study analyzing the effect of the zone information in the prediction of the next pitch type. Therefore, this study has analyzed the contribution of zone information in pitch type prediction. Our approach is that, we aimed to reveal the contribution of zones with the high strike low bat rates for pitch type decision in pitcher and batter player match up. This aim directed us to analyze the pitch type prediction problem for both zone-based and non-zone-based approaches so that we can exhibit how much zone information contributes to the problem through different classification algorithms.

İnternet bağlantılı cihaz kullanımındaki çarpıcı artış, devasa miktarda keşfedilecek kıymetli verinin oluşmasına neden olmaktadır. Bu kadar büyük miktarlardaki veriden anlamlı bilgi çıkarmak organize edilmiş bir dizi bilimsel işlem gerektirmektedir. Bu gereklilik veri madenciliği uygulamalarının önemine işaret etmektedir. Temel bir veri madenciliği uygulaması olarak sınıflandırma, eğitim süresince özellik kümesi ve hedef sınıfı gerektiren denetimli bir öğrenme tekniğidir. Eğitim işlemi için önemli nokta sınıflandırma algoritması için uygun özellik dizisine karar vermektir. Yüksek çözünürlüklü kamera sistemleri gibi son gelişen teknolojiler bir sonraki atış hakkında çıkarım yapmaya imkan sağlamıştır. Bunun sonucunda atış tipi tahminlemesi önemli bir araştırma konusu olarak öne çıkmaktadır. Bir sonraki atış tipini tahminlemek için mevcut çalışmalar özellik kümesinde çoğunlukla atıcı profili, vurucu profili ve önceki atış bilgilerini kullanmıştır. Bölge bilgisinin bir sonraki atış tipini tahminlemedeki etkisini analiz eden bir çalışma olmadığından dolayı bu çalışma bölge bilgisinin atış tipi tahminlemesindeki katkısını analiz etmiştir. Yaklaşımımız atışı vurucu eşleşmelerinde, yüksek atış ve düşük vuruş değerli bölgelerin atış tipi kararına katkısını ortaya çıkarmak şeklindedir. Bu amaç bizi atış tipi tahminleme probleminde bölge bilgisinin katkısını ortaya koyabilmek amacıyla bölge temelli ve bölgesiz olarak sınıflandırma algoritmalarını incelemeye yöneltmiştir.