Open Access

Maximilian Kempe

• Machine Learning (ML) Prozesse finden seit einigen Jahren immer größere Bedeutung in der Sportindustrie. Sie helfen die Leistungen der Spieler auf dem Feld besser zu analysieren und sorgen für ein tieferes Verständnis in verschiedenen Bereiche im Sport. Die Voraussage eines potenziellen Siegers schon vor Beginn einer Partie begeistert die Industrie und Fans wie die Wissenschaft gleichermaßen. In den letzten Jahren kam es dabei immer wieder zu guten Resultaten in der Prognose von Ergebnissen durch Data Mining Ansätze und ML Algorithmen. Diese Prognosen basieren auf verschiedenen Faktoren, wie historische Spieldaten, Ort des Ereignisses oder Form einer Mannschaft. Diese Arbeit widmet sich dem kritischen Versuch mithilfe der Anwendung verschiedener ML Verfahren und Algorithmen die reguläre Saison der Major League Baseball 2020, auf Basis von Spieldaten vorheriger Saisons, vorherzusagen.
• Machine Learning (ML) processes have been gaining importance in the sports industry for several years. They help to better analyze the performance of players on the field and provide a deeper understanding on various areas in sports. Predicting a potential winner before a match even starts excites the industry and fans as well as academia. In recent years, this has repeatedly led to good results in predicting outcomes using a data mining approach and ML algorithms. These predictions are based on various factors, such as historical match data, location of the event or form of a team. This paper is dedicated to a critical attempt to predict the 2020 Major League Baseball regular season outcomes, based on game data from previous seasons using various ML techniques and algorithms.