하이퍼파라미터 최적화를 통한 머신러닝 모델 비교와 SHAP 분석을 활용한 KBL 경기 예측 = Comparison of Machine Learning Models through Hyperparameter Optimization and Prediction of KBL Games Using SHAP Analysis

국문 초록 (Abstract)

본 연구는 2021-2024 시즌 동안의 한국 프로농구 리그(KBL) 경기 데이터를 분석하여 다양한 머신러닝 알고리즘을 활용해 경기 결과를예측하고 평가하였다. 하이퍼파라미터 최적화와 10겹 교차 검증을 통해 XGBoost 모델이 경기 예측에서 다른 알고리즘보다 우수한 성능을 보여 높은 정확성과 일반화 능력을 입증하였다. 경기 예측에서 XGBoost 모델은 정확도 86.1%, 정밀도 0.840, 재현율 0.896, F1 점수 0.867의 성능을 달성하였다. SHAP 분석 결과, 수비 리바운드(DREB)와 필드골 성공률(FG%)이 가장 중요한 특성으로 나타났다. 턴오버(TO)는 경기 결과에 부정적인 영향을 미쳤으며, 스틸(STL)과 공격 리바운드(OREB)는 긍정적인 요인으로 작용했으나 경기 후반에는 그 영향이 감소하는 경향을 보였다. 이러한 연구 결과는 턴오버 관리를 효과적으로 수행하는 것이 경기 후반의 부정적인 영향을최소화하는 데 필수적임을 시사한다. 또한, 3점슛 성공률(3P%)과 자유투 성공률(FT%)을 장기적으로 개선하면 팀 성과를 더욱 향상시킬 수 있음을 보여준다.

다국어 초록 (Multilingual Abstract)

This study analyzed game data from the Korean Basketball League (KBL) during the 2021-2024 seasons to predict and evaluate game outcomes using various machine learning algorithms. Through hyperparameter optimization and 10-fold cross-validation, the XGBoost model demonstrated superior performance in game prediction compared to other algorithms, proving its high accuracy and generalization ability. The XGBoost model achieved an accuracy of 86.1%, a precision of 0.840, a recall of 0.896, and an F1 score of 0.867. According to SHAP analysis, defensive rebounds (DREB) and field goal percentage (FG%) were identified as the most important features. Turnovers (TO) negatively impacted game outcomes, while steals (STL) and offensive rebounds (OREB) were positive factors; however, their influence tended to diminish in the later stages of the game. These findings suggest that effective turnover management is essential for minimizing negative impacts during the latter part of the game. Furthermore, the study indicates that long-term improvements in three-point shooting percentage (3P%) and free throw percentage (FT%) can further enhance team performance.