Koneoppiminen vedonlyönnissä
Saarela, Oliver (2022)
2022
All rights reserved. This publication is copyrighted. You may download, display and print it for Your own personal use. Commercial use is prohibited.
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi:amk-2022060114087
https://urn.fi/URN:NBN:fi:amk-2022060114087
Tiivistelmä
Opinnäytetyössä tutkittiin, onko koneoppimista mahdollista hyödyntää vedonlyönnissä ja luoda tuottava malli. Työssä tehtiin myös yksinkertainen malli, mitä käytettiin Dota 2 pelin voittajien ennustamiseen. Mallin algoritmiksi valittiin neuroverkko, sen suosion takia, mutta myös tukivektorikonetta ja satunnaisen metsän algoritmia tutkittiin. Monessa aikaisemmassa tutkimuksessa ei ollut kerrottu mallin palautusprosenttia, eikä panostamiseen ollut käytetty mitään vedonlyönnin panostusmenetelmää. Aikaisempien mallien tarkkuuksia kuitenkin tutkittiin, mutta näistä ei saanut selvää vastausta, olisiko jokin algoritmi parempi kuin muut.
Mallia käytettiin 379 kohteen ennustamiseen. Näistä kohteista lyötiin vetoa Kellyn kaavaa käyttäen 299 kohteeseen, mistä 122 meni oikein ja 177 väärin. Monissa pelatuissa kohteissa lyötiin vetoa heikompaan joukkueeseen, minkä takia pelatut kertoimet olivat korkeat. Nämä kertoimet eivät kuitenkaan riittäneet tekemään mallista tuottavaa, ja se saavutti noin 93 % palautusprosentin Kellyn kaavan jakajasta riippumatta. Mallin suurimmaksi ongelmaksi ilmeni heikko data, etenkin pelaajiin liittyvä.
Opinnäytetyön malli tehtiin helmikuussa ja sitä käytettiin datan keräämiseen helmi-toukokuun ajan. Samaan aikaan, kun mallia käytettiin, tehtiin myös muu analyysi.
Mallia käytettiin 379 kohteen ennustamiseen. Näistä kohteista lyötiin vetoa Kellyn kaavaa käyttäen 299 kohteeseen, mistä 122 meni oikein ja 177 väärin. Monissa pelatuissa kohteissa lyötiin vetoa heikompaan joukkueeseen, minkä takia pelatut kertoimet olivat korkeat. Nämä kertoimet eivät kuitenkaan riittäneet tekemään mallista tuottavaa, ja se saavutti noin 93 % palautusprosentin Kellyn kaavan jakajasta riippumatta. Mallin suurimmaksi ongelmaksi ilmeni heikko data, etenkin pelaajiin liittyvä.
Opinnäytetyön malli tehtiin helmikuussa ja sitä käytettiin datan keräämiseen helmi-toukokuun ajan. Samaan aikaan, kun mallia käytettiin, tehtiin myös muu analyysi.