Imputation crédibiliste pour la prédiction de charge interne de joueurs de football
Résumé
The objective of this article is to compare three approaches of missing data management in a classification context with sequential labels at variable time steps. The data concern the longitudinal monitoring of twenty-seven professional soccer players in terms of training schedules and perceived internal load. One approach without imputation uses the age of the data, the other two approaches are based on uncertainty models at the missing data imputation step. The Evidential K-Nearest Neighbors (EKNN) is used for internal load prediction taking into account labels uncertainty, and the K-Nearest Neighbors for the approach without uncertain labels. Results show moderate prediction improvement for models based on imputed data uncertainty.
L’objectif de cet article est de comparer trois approches de gestion des données manquantes dans un contexte de classification avec étiquettes séquentielles à pas de temps variable. Les données concernent le suivi longitudinal de vingt-sept joueurs professionnels de football en termes de planning d’entraînement et de charge interne ressentie. Une approche sans imputation utilise l’ancienneté des données, les deux autres approches sont basées sur des modèles d’incertitude lors de l’imputation des données manquantes. L’Evidential K-Nearest Neighbors (EKNN) est utilisé pour la prédiction de charge interne en prenant en compte l’incertitude des étiquettes, et l’approche sans incertitude avec K-Nearest Neighbors standard. Les résultats montrent une certaine amélioration des prédictions pour les modèles utilisant l’incertitude des données imputées.
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|