Vis enkel innførsel

dc.contributor.advisorAalberg, Trond
dc.contributor.advisorWith, Ole Markus
dc.contributor.authorHunstad, Christian
dc.contributor.authorReinholdt, Daniel
dc.date.accessioned2017-10-03T14:00:18Z
dc.date.available2017-10-03T14:00:18Z
dc.date.created2017-06-08
dc.date.issued2017
dc.identifierntnudaim:17013
dc.identifier.urihttp://hdl.handle.net/11250/2458145
dc.description.abstractDette prosjektet har hatt som mål å forbedre måten kalkulering av odds gjøres på for et spesifikt tippemarked i fotball. Ved å bruke historisk data samlet inn av Sportradar under fotballkamper, har vi laget maskinlæringsmodeller som forsøker å predikere vinneren av 15-minutts intervaller i fotballkamper i Premier League. 15-minutts intervaller er et tippemarked hvor en kan predikere hjemmeseier, uavgjort eller borteseier i et intervall i en fotballkamp. Med andre ord så deler en opp en fotballkamp i seks mindre kamper. I tillegg til å samle inn statistikker under fotballkamper, tilbyr også Sportradar oddsforslag til tippeselskaper. Ved å utvikle maskinlæringsmodeller som predikerer like nøyaktig eller bedre enn hva Sportradar gjør, vil prosessen med å bestemme odds/sannsynligheter kunne automatiseres i større grad enn hva som gjøres idag. For å finne frem til de beste maskinlæringsmodellene har vi gjort eksperimenter hvor tre forskjellige algoritmer har blitt brukt til å trene opp modellene; Multinomial Logistic Regresion, Random Forest, og Support Vector Machine. Vi viser til tre eksperimenter innenfor hver algoritme, hvor modellene trenes opp med forskjellige typer attributter som er relevante for en fotballkamp. Resultatene viser at modellene som har blitt trent opp med flest attributter yter best. Av disse modellene er det modellen trent opp med algoritmen Support Vector Machine som scorer best basert på de evalueringsteknikkene tatt i bruk i denne rapporten. Vi har gjennom tre eksempelkamper vist hvilke sannsynligheter de beste modellene gir for hvert utfall innenfor de forskjellige intervallene, og sammenlignet de korresponderende sannsynligheter Sportradar har utarbeidet. I eksempelet tjener 2 av 3 modeller bedre enn Sportradars sannsynligheter, hvis en tar utgangspunkt i en lik fordeling av innsats på hvert utfall.
dc.languagenob
dc.publisherNTNU
dc.subjectDatateknologi (2 årig), Programvareutvikling
dc.titleMaskinlæring for predikering av live odds
dc.typeMaster thesis


Tilhørende fil(er)

Thumbnail
Thumbnail

Denne innførselen finnes i følgende samling(er)

Vis enkel innførsel