Bibliographie commentee

Basketball can be analysed using the complex systems theory: two teams, each with five players on
the court and seven substitutes (five in the case of International Basketball Federation (FIBA) rules
being used), in order to achieve a goal, acting on their training and intuition whilst also reacting to
each other's actions and perceived intents. A similar approach is to think of sports teams as
superorganisms, with complex feedback loops and integration capabilities (Duarte et al., 2012). The
complexity of such structures yields a high level of uncertainty on the likelihood of achieving the
objective (Martinez, 2017).

sports outcome prediction has received widespread attention; the existing research has mainly
focused on basketball, particularly NBA games, using data mining methods or traditional machine
learning models. prior research has primarily focused on traditional machine learning models.
Furthermore, models that rely on vector inputs tend to ignore the intricate interactions between
teams and the spatial structure of the league.

This model, notwithstanding the fact that it might come with information loss due to the fact that
clustering method identifies players with similar playing styles and use these as inputs instead of
assessing everyone as a separate data point(prototype heuristics) as an input for the predictor(ANN),
helps not only in predicting the results but provides outputs that can list out individual players’
distinct contributions to the team performance, as evidenced by variations in game-related statistics
among these positions, hence it evaluates and maximizes positive synergies between players given
their archetypes (player versatility). in a non-homogenous grp, so it provides a certain clarity on the
players’ strengths and the way it should be used to make the best tactics to make the most out of
everyone’s potential, hence, best team performance. so this is not only predictive model, but also
improves game quality.

These alternative categorizations of playing positions are corroborated by their distinct contributions
to the team performance, as evidenced by variations in game-related statistics among these
positions.2,4 For instance, the frequencies of assists, rebounds, field goals, etc., differ among guards,
forwards, and centers. Considering that coaches’ decisions regarding the selection of players are
strongly influenced by their perceptions,5 playing positions represent a structured framework to
support team composition procedures. When defining team composition, a coach should balance
players’ tactical roles among playing positions, taking also into account several factors. For instance,
the impact of players’ tactical roles on the performance of the teams in relation to starters and non-
starters,5–7 foreign and national players,8,9 players’ experience10 and game location1 (e.g. guards
and forwards being more assertive in home and away games, respectively). In this demanding
context, an important feature to consider is the versatility of the players, as they may perform more
than one tactical role in games.3,11–13 A versatile player is one whose abilities and attributes can
accomplish multiple tactical demands.11 In this regard, the frequency of players having numbers
typical of different playing positions reinforces the comments on increasing versatility of the players
through the years.11,12,14 In this sense, different approaches have been used to assess players’
tactical

This model, notwithstanding the fact that it might come with information loss due to the fact that
clustering method identifies players with similar playing styles and use these as inputs instead of
assessing everyone as a separate data point(prototype heuristics) as an input for the predictor(ANN),
helps not only in predicting the results but provides outputs that can list out individual players’
distinct contributions to the team performance, as evidenced by variations in game-related statistics
among these positions, hence it evaluates and maximizes positive synergies between players given
their archetypes (player versatility). in a non-homogenous grp, so it provides a certain clarity on the
players’ strengths and the way it should be used to make the best tactics to make the most out of
everyone’s potential, hence, best team performance. so this is not only predictive model, but also
improves game quality.
predicting individually Advanced Basketball Statistics? (RQ1)
évaluer et maximiser les synergies positives entre les joueurs en fonction de leurs archétypes

we use clustering analysis to identify players with similar playing styles and use these as inputs
instead of assessing everyone as a separate data point. This concept of prototype heuristics is a well-
known human cognitive function

How efficiently the components of a team interact to create synergies and adapt to opponents is not
a trivial question to answer yet needs to be discussed to successfully predict game results. Therefore,
we posit that understanding the players' roles and interactions is a foundational element of
prediction exercises.

in this section, we will examine the data sets used in previous studies for predicting

basketball game outcomes, the number of features used in each study, the most successful

algorithm employed, and the corresponding success rates achieved.

In recent years, several studies have been conducted to predict the outcomes of

basketball games using machine learning algorithms. Loeffelholz et al. [22] used neural

networks to model the NBA 2007–2008 season and found that the most effective method

was the feed-forward neural network (FFNN), with a success rate of 74.33%. Similarly,

Zdravevski and Kulakov [23] predicted two consecutive NBA seasons using algorithms

in Weka, with logistic regression being the most effective method, with a success rate of

72.78%. On the other hand, Miljkovic et al. [24] predicted the NBA 2009–2010 season games

using data mining and found that the most efficient method was naive Bayes, with a success

rate of 67%.

Cao [25] used machine learning algorithms to build a model for predicting NBA game

outcomes and found that simple logistic regression was the most effective method, with

a success rate of 69.67%. Lin, J. et al. [26] attempted to determine the winners of NBA

Entropy 2023, 25, 765 3 of 16

1991–1998 season games using random forests and achieved a 65% success rate. Tran, T. [27]

predicted NBA games using matrix factorization, with an accuracy of 72.1%.

Li, Y. et al. [13] attempted to predict the games for the NBA 2011–2016 seasons using

a data envelopment analysis methodology and tested with the 2015–2016 season, with a

73.95% accuracy rate. Horvat, T. et al. [17] used seven different machine learning models to
predict basketball game outcomes for the NBA 2009–2018 season and found that k-nearest

neighbors was the best method, with an accuracy of 60.01%. Li [28] conducted a study

on modeling the NBA 2012–2018 season using machine learning classifiers. The study

employed three different classifiers and found that linear regression following use of a least

absolute shrinkage and selection operator (LASSO) was the most effective method, achieving a
success rate of 67.24%. In another study conducted by Ozkan I A. [18], the outcomes

of games from the 2015–2016 season of the Turkish Basketball Super League were estimated

using a concurrent neuro-fuzzy system, with a 79.2% success rate.

ÇENE E. [29] explored the performance of seven different algorithms in predicting

EuroLeague games for the 2016–2017 and 2020–2021 seasons. Their findings revealed that

logistic regression, support vector machines (SVM), and artificial neural networks (ANN)

were the most effective models, with an overall accuracy of approximately 84%.

Another study by Osken C and Onay C. [30] focused on identifying player types using

k-means and c-means clustering, and using cluster memberships to train prediction models.

Their approach achieved a prediction accuracy of 76% over a period of five NBA seasons.

Machine learning techniques have been extensively applied to predict basketball game outcomes,
utilizing various algorithms and data sets. Neural networks, logistic regression, naive Bayes, and
random forests have been popular choices, with accuracy rates ranging from 60% to 84%. Recent
studies highlight the effectiveness of methods like matrix factorization, neuro-fuzzy systems, and
clustering algorithms, demonstrating their potential to enhance prediction accuracy in sports
analytics. These approaches reveal the versatility and impact of machine learning in understanding
and forecasting basketball game results.

Machine learning techniques have been extensively applied to predict basketball game outcomes,
utilizing various algorithms and data sets. Neural networks, logistic regression, naive Bayes, and
random forests have been popular choices, with accuracy rates ranging from 60% to 84%. Recent
studies highlight the effectiveness of methods like matrix factorization, neuro-fuzzy systems, and
clustering algorithms, demonstrating their potential to enhance prediction accuracy in sports
analytics. These approaches reveal the versatility and impact of machine learning in understanding
and forecasting basketball game results.
Here is a revised and refined version of your text:

Choix du modèle a étudier. s'appuyant sur les algorithmes de clustering a implementer dans un
predictor de reseaux artificiel neuronnaux

la prédiction des équipes gagnantes dans les matchs de basketball en utilisant des algorithmes de clustering
pour identifier les types de joueurs et les utiliser dans des modèles prédictifs basés sur des réseaux de
neurones artificiels.

Le basketball peut être analysé à travers la théorie des systèmes complexes : deux équipes, chacune
avec cinq joueurs sur le terrain et sept remplaçants (cinq selon les règles de la Fédération
Internationale de Basketball (FIBA) en vigueur), œuvrent pour atteindre un objectif en utilisant leur
entraînement, leur intuition et en réagissant aux actions et intentions perçues de l'autre équipe. Une
approche similaire est de considérer les équipes sportives comme des superorganismes, avec des
boucles de rétroaction complexes et des capacités d'intégration. La complexité de telles structures
engendre un haut niveau d'incertitude quant à la probabilité d'atteindre l'objectif.

La prédiction des résultats sportifs a suscité beaucoup d'intérêt ; les recherches existantes se sont
principalement concentrées sur le basketball, notamment les matchs de la NBA, en utilisant des
méthodes de fouille de données ou des modèles traditionnels d'apprentissage automatique. Les
modèles précédents se sont principalement appuyés sur des modèles traditionnels d'apprentissage
automatique. De plus, les modèles qui reposent sur des entrées vectorielles tendent à ignorer les
interactions complexes entre les équipes et la structure spatiale de la ligue.

Traditionnellement, les rôles des joueurs de basketball étaient bien définis. Mais le jeu a évolué, avec
les ailiers et les pivots jouant maintenant des rôles plus diversifiés, gérant même la distribution du
ballon. L'analyse de données avancées et l'apprentissage automatique ont permis aux équipes de
rechercher l'efficacité grâce à la synergie et d'exploiter les faiblesses des adversaires.

Les techniques d'apprentissage automatique ont été largement utilisées pour prédire les résultats des
matchs de basket-ball, en utilisant divers algorithmes et ensembles de données. Les réseaux de
neurones, la régression logistique, le Bayes naïf et les forêts aléatoires ont été des choix populaires,
avec des taux de précision allant de 60 % à 84 %. Les études récentes mettent en avant l'efficacité de
méthodes telles que la factorisation de matrices, les systèmes neuro-flous et les algorithmes de
clustering, illustrant leur potentiel à améliorer la précision des prédictions dans l'analyse sportive. Ces
approches révèlent la polyvalence et l'impact de l'apprentissage automatique dans la compréhension
et la prévision des résultats des matchs de basket-ball.

Cependant, les analyses simplifient souvent les interactions, les réduisant à des statistiques de base
comme les points et les passes décisives. Le modèle sur lequel on effectuera l’étude, bien qu'il puisse
entraîner une perte d'information du fait que la méthode de regroupement identifie des joueurs avec
des styles de jeu similaires et les utilise comme entrées plutôt que d'évaluer chacun comme un point
de données distinct (heuristique du prototype) en entrée pour le prédicteur (ANN), aide non
seulement à prédire les résultats mais fournit également des résultats pouvant lister les contributions
distinctes des joueurs à la performance de l'équipe, comme en témoignent les variations des
statistiques de jeu entre ces positions, évaluant ainsi et maximisant les synergies positives entre les
joueurs en fonction de leurs archétypes (polyvalence des joueurs) dans un groupe non homogène. Il
apporte donc une certaine clarté sur les forces des joueurs et sur la manière de les utiliser pour
élaborer les meilleures tactiques afin d'exploiter au maximum le potentiel de chacun, et ainsi obtenir
les meilleures performances d'équipe. Ainsi, ce modèle n'est pas seulement prédictif, mais améliore
également la qualité du jeu."

This version retains the essence of your original text while enhancing clarity and flow in French.

Les techniques d'apprentissage automatique ont été largement utilisées pour prédire les résultats des
matchs de basket-ball, en utilisant divers algorithmes et ensembles de données. Les réseaux de
neurones, la régression logistique, le Bayes naïf et les forêts aléatoires ont été des choix populaires,
avec des taux de précision allant de 60 % à 84 %. Les études récentes mettent en avant l'efficacité de
méthodes telles que la factorisation de matrices, les systèmes neuro-flous et les algorithmes de
clustering, illustrant leur potentiel à améliorer la précision des prédictions dans l'analyse sportive. Ces
approches révèlent la polyvalence et l'impact de l'apprentissage automatique dans la compréhension
et la prévision des résultats des matchs de basket-ball.

Comment peut-on améliorer la précision des prédictions des résultats des matchs de basketball en
intégrant les archétypes de joueurs avec des modèles d'apprentissage automatique, tout en tenant
compte des dynamiques d'équipe et des facteurs contextuels?
Le basketball peut être analysé à travers la théorie des systèmes complexes : deux équipes, chacune
avec cinq joueurs sur le terrain et sept remplaçants (cinq selon les règles de la Fédération
Internationale de Basketball (FIBA) en vigueur), œuvrent pour atteindre un objectif en utilisant leur
entraînement, leur intuition et en réagissant aux actions et intentions perçues de l'autre équipe. Une
autre approche consiste à considérer les équipes sportives comme des superorganismes, avec des
boucles de rétroaction, c’est-à-dire un processus ou les actions des joueurs (Dans le contexte d’une
équipe de basket-ball, une boucle de rétroaction pourrait être un processus où les actions d’un joueur
influencent les actions futures de ses coéquipiers et adversaires, et ces actions futures peuvent à leur
tour influencer les actions du joueur initial.) complexes et des capacités d'intégration. La complexité
de telles structures engendre un haut niveau d'incertitude quant à la probabilité d'atteindre l'objectif.

La prédiction des résultats sportifs a suscité beaucoup d'intérêt ; les recherches existantes se sont
principalement concentrées sur le basketball, notamment les matchs de la NBA, en utilisant des
méthodes de fouille de données ou des modèles traditionnels d'apprentissage automatique. Les
modèles précédents se sont principalement appuyés sur des modèles traditionnels d'apprentissage
automatique. De plus, les modèles qui reposent sur des entrées vectorielles tendent à ignorer les
interactions complexes entre les équipes et la structure spatiale de la ligue.

Traditionnellement, les rôles des joueurs de basketball étaient bien définis. Mais le jeu a évolué, avec
les ailiers et les pivots jouant maintenant des rôles plus diversifiés, gérant même la distribution du
ballon. L'analyse de données avancées et l'apprentissage automatique ont permis aux équipes de
rechercher l'efficacité grâce à la synergie et d'exploiter les faiblesses des adversaires.

Les techniques d'apprentissage automatique ont été largement utilisées pour prédire les résultats des
matchs de basket-ball, en utilisant divers algorithmes et ensembles de données. Les réseaux de
neurones, la régression logistique, le Bayes naïf et les forêts aléatoires ont été des choix populaires,
avec des taux de précision allant de 60 % à 84 %. Les études récentes mettent en avant l'efficacité de
méthodes telles que la factorisation de matrices, les systèmes neuro-flous et les algorithmes de
clustering, illustrant leur potentiel à améliorer la précision des prédictions dans l'analyse sportive. Ces
approches révèlent la polyvalence et l'impact de l'apprentissage automatique dans la compréhension
et la prévision des résultats des matchs de basket-ball.

Cependant, les analyses simplifient souvent les interactions, les réduisant à des statistiques de base
comme les points et les passes décisives. Le modèle sur lequel on effectuera l’étude, bien qu'il puisse
entraîner une perte d'information du fait que la méthode de regroupement identifie des joueurs avec
des styles de jeu similaires et les utilise comme entrées plutôt que d'évaluer chacun comme un point
de données distinct (heuristique du prototype) en entrée pour le prédicteur (ANN), aide non
seulement à prédire les résultats mais fournit également des résultats pouvant lister les contributions
distinctes des joueurs à la performance de l'équipe, comme en témoignent les variations des
statistiques de jeu entre ces positions, évaluant ainsi et maximisant les synergies positives entre les
joueurs en fonction de leurs archétypes (polyvalence des joueurs) dans un groupe non homogène. Il
apporte donc une certaine clarté sur les forces des joueurs et sur la manière de les utiliser pour
élaborer les meilleures tactiques afin d'exploiter au maximum le potentiel de chacun, et ainsi obtenir
les meilleures performances d'équipe. Ainsi, ce modèle n'est pas seulement prédictif, mais améliore
également la qualité du jeu.