Deep learning has started to have an impact on sports analytics. Several papers have applied action-value Q learning to quantify a team`s chance of success, given the current match state. However, the black-box opacity of neural networks prohibits understanding why and when some actions are more valuable than others. This paper applies interpretable Mimic Learning to distill knowledge from the opaque neural net model to a transparent regression tree model. We apply Deep Reinforcement Learning to compute the Q function, and action impact under different game contexts, from 3M play-by-play events in the National Hockey League (NHL). The impact of an action is the change in Q-value due to the action. The play data along with the associated Q functions and impact are fitted by a mimic regression tree. We learn a general mimic regression tree for all players, and player-specific trees. The transparent tree structure facilitates understanding the general action values by feature influence and partial dependence plots, and player`s exceptional characteristics by identifying player-specific relevant state regions. Deep Learning hat begonnen, sich auf die Sportanalytik auszuwirken. In mehreren Arbeiten wurde Action-Value-Q-Learning angewandt, um die Erfolgschancen einer Mannschaft angesichts des aktuellen Spielstands zu quantifizieren. Die Blackbox-Opazität neuronaler Netze macht es jedoch unmöglich zu verstehen, warum und wann bestimmte Aktionen wertvoller sind als andere. In diesem Beitrag wird interpretierbares Mimic Learning eingesetzt, um Wissen aus dem undurchsichtigen neuronalen Netzmodell in ein transparentes Regressionsbaummodell zu destillieren. Wir wenden Deep Reinforcement Learning an, um die Q-Funktion und die Auswirkung einer Aktion unter verschiedenen Spielkontexten aus 3M Play-by-Play-Ereignissen in der National Hockey League (NHL) zu berechnen. Die Auswirkung einer Aktion ist die Änderung des Q-Wertes aufgrund der Aktion. Die Spieldaten mit den zugehörigen Q-Funktionen und Auswirkungen werden durch einen mimischen Regressionsbaum angepasst. Wir lernen einen allgemeinen mimischen Regressionsbaum für alle Spieler und spielerspezifische Bäume. Die transparente Baumstruktur erleichtert das Verständnis der allgemeinen Aktionswerte durch Einfluss- und partielle Abhängigkeitsdiagramme und der außergewöhnlichen Eigenschaften des Spielers durch die Identifizierung spielerspezifischer relevanter Zustandsregionen.
© Copyright 2019 Machine Learning and Data Mining for Sports Analytics. MLSA 2018. Lecture Notes in Computer Science, vol 11330. Julkaistu Tekijä Springer. Kaikki oikeudet pidätetään. / Kääntänyt https://www.DeepL.com/Translator