DOI: https://doi.org/10.15366/rimcafd2022.88.003
ORIGINAL
Cabrera
Quercini, I.1; González-Ramírez, A.1; García Tormo, J.V.2;
Martínez, I.3
1 Profesor titular. Instituto
Universitario Asociación Cristiana de Jóvenes (Uruguay) icabrera@iuacj.edu.uy, agonzalez@iuacj.edu.uy
2 Profesor contratado doctor.
Departamento de Educación Física y Deportiva. Universidad de León (España) jvgart@unileon.es
3 Profesor Titular. Departamento de Educación Física y Deportiva.
Universidad de León (España) imarm@unileon.es
Código
UNESCO/UNESCO code: 5899
Otras especialidades pedagógicas (Educación Física y Deporte).
Clasificación
Consejo de Europa/Council of Europe
classification: 4.
Educación Física y deporte comparado.
Recibido 21 de septiembre de 2020 Received
September 21, 2020
Aceptado 29 de mayo de 2021 Accepted May
29, 2021
RESUMEN
El objetivo fue analizar los indicadores de
éxito en el Campeonato Europeo de balonmano masculino utilizando árboles de
decisión como modelos de inteligencia artificial. Se utilizó la metodología
observacional. La muestra fue compuesta por 87 partidos de los Campeonatos de
Europa masculinos de selecciones de balonmano 2016 y 2018. Como resultado más
importante, el modelo identificó tres variables relevantes para alcanzar una
precisión elevada en la predicción de resultados de balonmano. Se concluye que
la utilización de estos modelos permite reducir ampliamente la complejidad en
el análisis de los indicadores de éxito en balonmano.
PALABRAS
CLAVE: balonmano, rendimiento, predicción,
inteligencia artificial, árboles de decisión, indicadores de rendimiento.
ABSTRACT
The aim was to analyze the performance indicators in the European Men's
Handball Championship using decision trees as artificial intelligence models.
The observational methodology was used. The sample was composed of 87 matches
from the 2016 and 2018 Men's European Handball National Championships. As the
most important result, the model identified three relevant variables to achieve
high precision to predict handball results. In conclusion, the use of these
models allow to greatly reduce the complexity in the analysis of the
performance indicators in handball.
KEY
WORDS:
handball, performance analysis, prediction, artificial intelligence, decision
tree, performance indicators.
INTRODUCCIÓN
La identificación de indicadores de éxito es una línea de investigación
con vasto desarrollo en balonmano que ha brindado información de relevancia
para entrenadores en las últimas décadas. Según Srhoj, Rogulj
& Katić (2001) el resultado del partido es producto de la
interacción de los dos equipos participantes manifestándose a través de los
elementos del juego e influencias externas del ambiente. Aquellos elementos con
más influencia en el resultado son identificados como indicadores de éxito y son
definidos como “una selección o combinación de variables de acción que tienden
a definir algunos o todos los aspectos del rendimiento” (p. 739). Son
utilizados por los entrenadores para evaluar el rendimiento individual o de
equipo de manera comparativa con el oponente o grupos de participantes, aunque usualmente
son herramientas de medida de un mismo equipo o atleta (Hughes &
Bartlett, 2002; O'Donoghue, 2014).
En las últimas décadas se ha intentado identificar cuáles son los mejores
indicadores de éxito en balonmano, obteniendo como resultado algunos acuerdos
sobre la importancia de determinadas variables que permiten discriminar los
equipos ganadores y perdedores (Saavedra et al., 2017; Beiztegui-Casado et al.,
2019). Los contraataques, los lanzamientos de primera línea y la participación
del portero son los indicadores de éxito que más frecuentemente aparecen en los
estudios revisados. Srhoj et al. (2001) manifiestan que los contraataques aportan mayor cantidad de goles junto
a los lanzamientos de primera línea y penetraciones, además de ser el
lanzamiento que mayor eficacia registra. Estos autores, al igual que Rogulj, Srhoj & Srhoj (2004), Gruić, Vuleta & Milanović (2006), Saez, Roldán y Feu (2009), Hernández et al. (2010), Foretić, Rogulj & Trninić (2010), Gutiérrez Aguilar (2011), Bilge (2012), Hassan (2014) y Amatria et al. (2020) coinciden en que los indicadores de éxito del
contraataque presentan gran influencia en la determinación del resultado de
partido.
Por otra parte, los lanzamientos de primera línea son indicadores de
éxito tanto desde la perspectiva ofensiva como defensiva (paradas del portero).
Si bien los lanzamientos más lejanos obtienen menor eficacia (Srhoj et al., 2001), obtener buenos registros ofensivos desde
esta zona es una medida positiva para determinar equipos ganadores (Bilge, 2012;
Ferrari, dos Santos, & Vaz, 2014; Gruić et al., 2006). Por el contrario, una menor eficacia de
lanzamiento en esta zona caracteriza a equipos perdedores (Foretić
et al., 2010; Gutiérrez Aguilar, 2011).
Según Pascual, Lago
& Casais (2010) la eficacia del portero junto a la eficacia
de lanzamiento son indicadores de éxito que se relacionan con la mayor
probabilidad de ganar. Los equipos ganadores tuvieron mayor cantidad de paradas
del portero que los perdedores (Daza,
Andrés, & Tarragó, 2017). Además, la eficacia del portero se asocia
a la clasificación final del equipo en el torneo (Hansen et
al., 2017). Saez et al.
(2009) consideran que específicamente son las
paradas del portero a los lanzamientos de 6 metros las que caracterizan al
equipo ganador. De alguna manera, el portero está presente en todos los
indicadores de éxito presentados previamente, ya que, con una acción del
portero eficaz bajan los índices de eficacia de los lanzamientos. Por lo tanto,
es notoria la importancia del portero en el juego.
Desde el punto de vista del análisis del rendimiento deportivo, en los
últimos años se han incorporado nuevas formas de análisis de los índices de
rendimiento, principalmente basados en la observación sistemática (Anguera y
Hernández Mendo, 2015), denominándose análisis notacional
en el ámbito de las ciencias del deporte (Gómez-Ruano, 2017). En este sentido,
los árboles de decisión (DT) son las estructuras de análisis de datos y
predicción más comunes y poderosas en inteligencia artificial (IA). Su
utilización requiere de un costo computacional bajo, lo que se traduce en mayor
velocidad para obtener resultados y es una ventaja en el aprendizaje
automático. El mayor beneficio comparado con los otros modelos de IA radica en
la facilidad de explicar los resultados, ya que su formato de árbol muestra el
camino de la clasificación a través de ramificaciones (Marsland,
2015). Este modelo se encuentra dentro del
aprendizaje supervisado en sus dos modalidades, regresión y clasificación.
Como
ventaja, los árboles de decisión aplican la selección de características dentro
de su método como parte del proceso de entrenamiento, convirtiéndose en un
modelo muy eficiente (Guyon &
Elisseeff, 2003). Sin
embargo, no son muy precisos en las predicciones en comparación con otros
modelos de IA. También son inestables, ya que pequeños cambios en los datos de
entradas pueden generar un impacto importante en la estructura del árbol,
pudiendo generar errores en la parte inicial del árbol que se trasladan hacia
el resto de ramificaciones (Murphy, 2012). Por otra parte, Ben-David &
Shalev-Shwartz (2014) indican que generalmente estos algoritmos
devuelven arboles demasiado largos y complejos que no ayuda a su puesta en
práctica. Para solucionar este problema se aplican algunas alternativas como
bajar el número de iteraciones, aumentar el número mínimo de registros que
requiere la división de las ramas hijas, o realizar una poda a posteriori de
haber sido creado el árbol.
El
objetivo de este trabajo fue analizar
los indicadores de éxito en el Campeonato Europeo de balonmano masculino
utilizando árboles de decisión como modelos de inteligencia artificial.
MATERIAL Y MÉTODOS
A nivel metodológico, se han seguido los parámetros establecidos por la metodología
observacional (Anguera y
Hernández Mendo, 2015) con el fin de lograr una observación
objetiva y que garantizase la calidad del dato. El diseño observacional
propuesto fue I/P/M: ideográfico, puntual y multidimensional (Anguera,
Blanco, Hernández Mendo y López, 2011).
Muestra
Atendiendo a los niveles de muestreo propuesto por Anguera y
Hernández Mendo (2013), el primer nivel de muestreo intersesional constó
de 87 de los 95 partidos de los Campeonatos de Europa masculinos de selecciones
de balonmano 2016 y 2018. Se determinó como criterio de exclusión que los
partidos hubiesen finalizado en empate.
El segundo nivel de muestreo correspondiente a la muestra intrasesional
fue compuesta por 174 vectores de información, uno por cada equipo y por partido,
con los registros brindados por la European Handball Federation (EHF) a través de la página web. Estos
registros son publicados después de cada partido y responden a diferente
naturaleza (frecuencia y orden). Para este estudio se tomarán únicamente los
datos de tipo frecuencia.
Variables y procedimiento
Para generar la base de datos se recolectaron las estadísticas finales totales
de cada equipo por partido, unificando todos los registros en un mismo archivo
Microsoft Excel para su posterior análisis. La información se distribuyó en un
total de 74 variables agrupadas en los siguientes macrocriterios:
1) Identificación 2) Ofensivo – Eficacia de lanzamientos 3) Castigos – Calidad
de juego 4) Eficacia de ataque – Contraataque 5) Eficacia del portero.
Tabla 1. Variables
predictoras incluidas en los árboles de decisión
Ofensivo |
Calidad
de juego |
Eficacia
de ataque |
Portero |
||||
Goles |
Goals |
Tarjetas amarillas |
YC |
Número de ataques |
NºAtaques |
Paradas de portero |
Saves |
Lanzamientos |
Shots |
Tarjetas rojas |
RC |
Eficacia de ataque |
Ataque% |
Eficacia de portero |
PP% |
Eficacia de Lanzamientos |
%lanz |
Exclusiones |
2M |
Goles en superioridad |
Gsup |
Paradas de portero en 7m |
7mPPP |
Goles 7m |
7mPG |
2 exclusiones |
2+2 |
Ataques en superioridad |
AtaqSup |
7m
recibidos |
7mPSR |
Lanzamientos 7m |
7mPS |
Asistencias |
AS |
Eficacia en superioridad |
AtaqSup% |
Eficacia del portero en 7m |
7mPP% |
Eficacia de
7m |
7m% |
Faltas de 7 metros recibidas |
R7 |
Goles en inferioridad |
Ginf |
Paradas de portero en 6m |
6mCPP |
Goles 6m |
6mCG |
Pérdida de posesión |
TO |
Ataques en inferioridad |
AtaqInf |
Lanzamientos 6m recibidos |
6mCSR |
Lanzamientos 6m |
6mCS |
Faltas
técnicas |
TF |
Eficacia en inferioridad |
AtaqInf% |
Paradas de porteros de extremos |
WingPP |
Goles extremos |
WingGoals |
Robos de balón |
ST |
Número de ataque posicional |
NºAP |
Lanzamientos recibidos de los extremos |
WingSR |
Lanzamientos Extremos |
WingShots |
Lanzamientos Blocados |
BS |
Eficacia de ataque posicional |
AP% |
Paradas de portero en penetración |
BTPP |
Goles penetración |
BTG |
Faltas realizadas de 7m. |
P7 |
Número de contraataques |
NºFB |
Lanzamientos recibidos en penetración |
BTSR |
Lanzamientos penetración |
BTS |
Pérdidas de posesión totales |
TOT |
Eficacia de contraataques |
FB% |
Paradas de portero de contraataque |
FBPP |
Goles contraataque |
FBG |
Porcentaje de pérdidas de posesión |
TO% |
Goles contraataques directos |
GFBD |
Lanzamientos recibidos en contraataque |
FBSR |
Lanzamientos contraataque |
FBS |
|
|
Número de contraataques directos |
NºFBD |
Paradas de portero de contragol
|
FTOPP |
Goles contragol |
FTOG |
|
|
Eficacia contraataques directos |
FBD% |
Lanzamientos recibidos de contragol |
FTOSR |
Lanzamientos contragol |
FTOS |
|
|
Goles de contraataques ampliados |
GFBA |
Paradas de portero de 9m |
9mPP |
Goles 9m |
9mG |
|
|
Número de contraataques ampliados |
NºFBA |
Lanzamientos de 9m recibidos |
9mSR |
Lanzamientos 9m |
9mS |
|
|
Eficacia contraataques ampliados |
FBA% |
Eficacia del portero en 9m |
9mPP% |
A través del análisis de IA se construyeron los modelos árboles de
decisión en del software SPSS Modeler 18. La partición
de la base de datos fue de 70% para el conjunto de entrenamiento (119
registros) y el 30% de comprobación (55 registros). Los datos del conjunto
de entrenamiento permiten que el algoritmo se entrene, mientras que el conjunto
de comprobación corresponde a los datos que el modelo no conoce e intenta
predecir para determinar el rendimiento final del modelo creado. De las 74
variables disponibles se excluyeron las variables de identificación, siendo 67
las que finalmente formaron parte del grupo de variables predictoras. El
algoritmo utilizado fue el C5.0 y se le solicitó que favoreciera la
generalización en contrapartida de la precisión del conjunto de entrenamiento.
Como proceso de elaboración del árbol de decisión se modificó el valor
mínimo solicitado en las ramas hijas. De esta manera, la profundidad y
complejidad del árbol fue cambiando, se inició con un valor mínimo de 2 (DT2),
4 (DT4); y por último 10 (DT10), generando tres árboles de decisión diferentes.
Al modelo final y con mejor rendimiento se le solicitó como resultado, además
del árbol de decisión, un conjunto de reglas que ayude a la descripción de la
clasificación.
RESULTADOS
A medida que se aumentó el registro mínimo para la división de las ramas
hijas hubo un descenso en la precisión del conjunto de entrenamiento y un leve
aumento en el conjunto de comprobación. El último árbol de decisión se
configuró como el árbol de mejor precisión, ya que, realizó una mejor
predicción para el conjunto de partidos con el resultado desconocido (Tabla 1).
Tabla 2. Precisión de los
árboles de decisión
|
DT2 |
DT4 |
DT10 |
Entrenamiento |
99,16% |
95,80% |
89,08% |
Comprobación |
74,55% |
74,55% |
76,36% |
Este árbol de decisión se configuró con un mínimo de 10 registros por
ramas hijas (DT10). Esto determinó un árbol con una profundidad de 3 niveles y
6 nodos (Figura 2). Las variables seleccionadas por el modelo para la
ramificación del árbol fueron tres. Atendiendo al orden de importancia para el
modelo fueron: primero la eficacia del portero, seguido de la eficacia de
lanzamiento y, por último, la eficacia de ataque (Figura 1).
Figura 1. Importancia de los
predictores para el árbol de decisión
La precisión de DT10 alcanzó un 89,08% en el conjunto de entrenamiento y
un 76,36% en el de comprobación. El rendimiento fue de 0,92 y 0,736 AUC (Area under curve) respectivamente.
Figura 2. Configuración del árbol de decisión DT4
Los puntos de corte para la ramificación fueron el 53% para la eficacia
de lanzamiento, 32% para la eficacia del portero y 58% para la eficacia de
ataque. Además, este árbol de decisión presentó el mejor rendimiento, por su
precisión y simplicidad. Por lo tanto, se le solicitaron las reglas que
rigieron para la clasificación de ganadores y perdedores. Estas reglas fueron
cuatro:
Equipo gana si → eficacia de ataque >58
Equipo gana si→ eficacia de lanzamiento >53 y eficacia del
portero >32
Equipo pierde si→ eficacia de lanzamiento ≤53
Equipo pierde si→ eficacia de ataque ≤58 y eficacia del
portero ≤32
4 DISCUSIÓN
Atendiendo
al objetivo de analizar los
indicadores de éxito en el Campeonato Europeo de balonmano masculino utilizando
árboles de decisión como modelos de inteligencia artificial se pudo reducir el
conjunto de indicadores a solo tres variables y ordenar su importancia con un
alto valor de precisión:
1.
eficacia
del portero;
2.
eficacia
de lanzamiento;
3.
eficacia
de ataque.
Que el rendimiento del portero sea el principal clasificador entre
equipos ganadores y perdedores tiene sentido, ya que, su relevancia ha sido
identificada previamente en torneos importantes como mundiales IHF (Daza et al.,
2017; Hansen et al., 2017), Panamericanos (Cabrera y
González, 2015; González, Bermúdez, Martínez, & Chirosa, 2017) y torneos nacionales de España (Pascual et
al., 2010; Saez et al., 2009).
En cuanto a la eficacia de lanzamiento, en los estudios de Saez et al.
(2009), Cabrera y
González (2015), Ferrari et
al. (2014), Hassan (2014) y Saavedra,
Þorgeirsson, Kristjánsdóttir, Chang & Halldórsson (2017) se encontraron diferencias significativas a
favor de los equipos ganadores. Además, los equipos perdedores se relacionaron
directamente con los lanzamientos errados (Cabrera y
González, 2015; Daza et al., 2017) y existen diferencias significativas según
la clasificación del torneo (Noutsos,
Rousanoglou, Meletakos, Bayios, & Boudolos, 2018).
Por último, y en relación directa con los dos indicadores anteriores, la
eficacia de ataque es un aspecto del juego que diferencia a equipos ganadores y
perdedores. Esta agrupa elementos de finalización, como el lanzamiento, y de
calidad de juego, como las pérdidas de posesión. Se encontró que en estudios de
Copa del Rey 2008 (Saez et al.,
2009), el ODESUR y Panamericano 2014 (Cabrera y
González, 2015; González, Botejara, Martínez, y Chirosa, 2016), la eficacia de ataque también es una
variable que diferencia a equipos ganadores y perdedores.
Con solo estas tres variables este modelo logró predecir más de ¾ de los resultados. Si bien no alcanzó una precisión
exacta, la ventaja reside en que no se necesitaron demasiados recursos humanos
ni computacionales para el registro y el procesamiento de datos. Además, requirió de una menor cantidad de
predictores que en todos los trabajos consultados sobre predicción de resultado
en deportes que utilizaron árboles de decisión, 28 para el trabajo de Delen,
Cogdell, & Kasap (2012), 15 para la investigación de Soto Valero
(2016), 8 para la mejor predicción del modelo de Thabtah,
Zhang & Abdelhamid (2019) y 4 predictores para el trabajo en fútbol
de Joseph,
Fenton & Neil (2006).
El proceso para alcanzar la mayor precisión contó con la elaboración de
tres árboles de decisión diferentes modificando el parámetro de registros
mínimos por ramas hijas. Se redujo la cantidad de predictores y la precisión
para el conjunto de entrenamiento bajó, aunque subió el del conjunto de
comprobación. Según Ben-David
& Shalev-Shwartz (2014), esto supone una ventaja, ya que, no bajó
la precisión del conjunto de comprobación incluso habiendo simplificado el
árbol.
La cantidad de estudios de aprendizaje automático con DT son
considerablemente menos en comparación a modelos como redes neuronales
artificiales y Support Vector Machine en todos los deportes,
aunque se pueden encontrar antecedentes en fútbol y el básquetbol,
específicamente en la NBA (Bunker &
Susnjak, 2019).
El modelo DT10 presentado en este estudio registra una precisión mayor
al trabajo de Joseph et al.
(2006) en la búsqueda de predecir el resultado de
un equipo de Premier Legue de fútbol inglés (45,77%), y por encima del DT
presentado por Soto Valero
(2016) en la Mayor League Baseball (58,62%). Sin
embargo, estuvo por debajo en la precisión (83%) en la predicción de los
partidos de la NBA con un modelo que combina la regresión lineal con DT (Thabtah et
al., 2019), y por debajo del 86% en la predicción de
los partidos de NCAA fútbol americano a través de DT (Delen et
al., 2012).
Con
respecto al análisis de rendimiento deportivo en el ámbito profesional, es de
utilidad identificar una cantidad reducida de variables relevantes. De esta
forma, los analistas deportivos podrán focalizar la atención en ciertos
elementos del juego y no en otros, según el torneo o equipo que se analice.
Desde este punto de vista, el trabajo de los investigadores será buscar
respuestas, junto a entrenadores y jugadores, de cómo conseguir buenos
registros en los indicadores de éxito de forma rápida y precisa que ayuden a la
toma de decisión durante el juego y el entrenamiento (Gómez-Ruano,
2017). En este sentido, los resultados
hallados en esta investigación se limitan al contexto del handball masculino
europeo de élite. Se requieren más estudios que profundicen en otros contextos
nacionales e internacionales.
5 CONCLUSIONES
Con el uso del árbol de decisión, se han identificado tres indicadores
de éxito destacados que han permitido alcanzar un buen rendimiento en la
predicción de los resultados. El principal indicador identificado ha sido la
eficacia del portero seguido de la eficacia de lanzamiento y de ataque.
La utilización de los árboles de decisión como herramienta de aprendizaje
automático, para la identificación de indicadores de éxito en balonmano, ha
resultado ser de gran utilidad y funcionalidad. Se ha podido comprobar que
facilita la simplificación del problema determinando las variables más
importantes. Igualmente, se requiere un aumento de datos para profundizar el
conocimiento de estos torneos y mejorar la capacidad de predicción del modelo.
6 REFERENCIAS BIBLIOGRÁFICAS
Amatria,
M., Lapresa, D., Martín Santos, C., & Pérez Túrpin, J. (2020). Eficacia
ofensiva en el balonmano femenino de élite en situaciones de superioridad
numérica. Revista internacional de medicina y ciencias de la actividad
física y del deporte, 20(78), 227-242.
https://doi.org/10.15366/rimcafd2020.78.003
Anguera,
M.T., & Hernández Mendo, A. (2015). Técnicas de análisis en estudios
observacionales en ciencias del deporte. Cuadernos de Psicología Del Deporte,
15(1), 13–30. https://doi.org/10.4321/S1578-84232015000100002
Anguera,
M. T., Blanco, A., Hernández Mendo, A., & López, J. L. (2011). Diseños
observacionales: Ajuste y aplicación en psicología del deporte. Cuadernos de
Psicología Del Deporte, 11(2), 63–76.
Anguera,
M. T., & Hernández Mendo, A. (2013). La metodología observacional en el
ámbito del deporte. E-Balonmano.Com:
Revistas de Ciencias Del Deporte, 9(3),
135–160.
Beiztegui-Casado, C.,
Oliver-Coronado, J., & Sosa-González, P. (2019). Portero-jugador en
situaciones de inferioridad numérica ofensiva en balonmano: ¿penalización o
ventaja?. Revista internacional de medicina y ciencias de la actividad
física y del deporte, 19(74). https://doi.org/10.15366/rimcafd2019.74.008
Ben-David, S., & Shalev-Shwartz,
S. (2014). Understanding
Machine Learning: From Theory to Algorithms. Understanding Machine Learning: From Theory to
Algorithms. https://doi.org/10.1017/CBO9781107298019
Bilge, M. (2012). Game analysis of
Olympic, World and European Championships in men’s handball. Journal of
Human Kinetics, 35(1), 109–118. https://doi.org/10.2478/v10078-012-0084-7
Bunker, R., & Susnjak, T. (2019).
The Application of Machine Learning Techniques for Predicting Results in Team
Sport: A Review. ArXiv.
https://doi.org/10.13140/RG.2.2.22427.62245
Cabrera,
I., & González, A. (2015). Eficacia del ataque de los juegos Odesur y
Campeonato Panamericano de Handball mayores masculino 2014. Revista
Universitaria de La Educacion Fisica y El Deporte, 8(8), 68–76.
Daza,
G., Andrés, A., & Tarragó, R. (2017). Match Statistics as Predictosr of Team´s Performance in
Elite competitive Handball. RICYDE: Revista Internacional de
Ciencias Del Deporte, 13(48), 149–161.
https://doi.org/10.5232/ricyde
Delen, D., Cogdell, D., & Kasap,
N. (2012). A comparative analysis of data mining methods in predicting NCAA
bowl outcomes. International Journal of Forecasting, 28(2),
543–552. https://doi.org/10.1016/j.ijforecast.2011.05.002
Ferrari, W. R., dos Santos, J. V,
& Vaz, V. P. . (2014). Offensive Process Analysis in Handball:
Identification of Game Actions that Differentiate Winning from Losing Teams. American
Journal of Sports Science, 2(4), 92–96.
https://doi.org/10.11648/j.ajss.20140204.14
Foretić, N., Rogulj, N., &
Trninić, M. (2010). The influence of situacion efficiency on the result of
a Handball match. Sport Science, 3(2), 45–51.
Gómez-Ruano,
M. Á. (2017). La importancia del análisis notacional como tópico emergente en
Ciencias del deporte. RICYDE. Revista
Internacional de Ciencias del Deporte, 13(47), 1-4. https://doi.org/10.5232/ricyde
González,
A., Bermúdez, S. G., Martínez, I., & Chirosa, L. J. (2017). Goalkeepers ’
Effectiveness in the ODESUR Games and the Pan-American Handball Championship in
2014 Eficacia de los porteros en los Juegos ODESUR y Campeonato Panamericano de
Balonmano en 2014. Apuntes, Educación Física y Deportes, 4(130),
95–105. https://doi.org/10.5672/apunts.2014-0983.es.(2017/4).130.08
González,
A., Botejara, J. L., Martínez, I., & Chirosa, L. J. (2016). Eficacia del
ataque y del lanzamiento de los cuatro primeros clasificados en balonmano
masculino de los Juegos ODESUR 2014. Educación Física y Ciencia, 18(1).
Gruić,
I., Vuleta, D., & Milanović, D. (2006). Performance indicators of teams at the 2003 men`s world
handball championship in Portugal. Kinesiology, 38(2), 164–175.
Gutiérrez Aguilar, Ó. (2011).
Discriminant analysis between winners and loosers in the Asobal league
2008-2009. European Federation Web Periodical, 6.
Guyon, I., & Elisseeff, A.
(2003). An Introduction to Variable and Feature Selection. Journal of Machine
Learning Research (JMLR), 3(3), 1157–1182.
https://doi.org/10.1016/j.aca.2011.07.027
Hansen, C., Sanz-Lopez, F., Whiteley,
R., Popovic, N., Ahmed, H. A., & Cardinale, M. (2017). Performance analysis
of male handball goalkeepers at the world handball championship 2015. Biology
of Sport, 34(4), 393–400.
https://doi.org/10.5114/biolsport.2017.69828
Hassan, A. (2014). Team handball
world cup championship 2013-analysis study. Journal of Human Sport and
Exercise, 9(1), 409–416. https://doi.org/10.14198/jhse.2014.9.Proc1.26
Hernández,
J. M., Rodriguez, Á. J., Hernández, J., Álvarez, P. A., Jiménez, F., &
Hernández, I. M. (2010). Análisis del juego de ataque en balonmano femenino. Ágora
Para La Educación Física Y El Deporte., 3(12), 257–272.
Hughes, M. D., & Bartlett, R. M.
(2002). The use of performance indicators in performance analysis. Journal
of Sports Sciences, 20(10), 739–754.
https://doi.org/10.1080/026404102320675602
Joseph, A., Fenton, N. E., &
Neil, M. (2006). Predicting football results using Bayesian nets and other
machine learning techniques. Knowledge-Based Systems, 19(7),
544–553. https://doi.org/10.1016/j.knosys.2006.04.011
Lasierra, G., Carreras, D., Montoya,
M., & Planas, A. (2020). La observación en contexto de los
niveles de acción en balonmano. Revista internacional de
medicina y ciencias de la actividad física y del deporte, 20(79), 435-451.
https://doi.org/10.15366/rimcafd2020.79.004
Marsland, S. (2015). Machine
learning: An algorithmic perspective. (C. Press, Ed.) (2nd ed.). Boca Raton,
FL. https://doi.org/10.1201/b17476
Murphy, K. P. (2012). Machine
Learning: A Probabilistic Perspective. MIT Press.
https://doi.org/10.1007/978-3-642-21004-4_10
Noutsos, S. K., Rousanoglou, N. E.,
Meletakos, G. P., Bayios, A. I., & Boudolos, D. K. (2018). Performance
indicators and competition ranking in women’s and men’s world handball
championship 2017. Journal of Physical Education and Sport, 18(3),
1761–1766. https://doi.org/10.7752/jpes.2018.03256
O'Donoghue, P. (2014). An
introduction to performance analysis of sport. Routledge. https://doi.org/10.4324/9781315816340
Pascual,
X., Lago, C., & Casais, L. (2010). La influencia de la eficacia del portero
en el rendimiento de los equipos de balonmano. Apunts, 99(1),
72–81.
Rogulj, N., Srhoj, V., & Srhoj,
L. (2004). The contribution of collective attack tactics in differentiating
handball score efficiency. Collegium Antropologicum, 28(2),
739–746. https://doi.org/UDC: 796.322:296.06
Saavedra, J. M., Þorgeirsson, S.,
Kristjánsdóttir, H., Chang, M., & Halldórsson, K. (2017). Handball
game-related statistics in men at Olympic Games (2004-2016): Differences and
discriminatory power. Retos. Nuevas Tendencias En
Educación Física, Deporte y Recreación, 32, 260–263.
Retrieved from http://ezproxy.library.ubc.ca/login?url=http://search.ebscohost.com/login.aspx?direct=true&db=sph&AN=123844240&login.asp&site=ehost-live&scope=site
https://doi.org/10.47197/retos.v0i32.56542
Saez,
F., Roldán Romero, A., & Feu Molina, S. (2009). Diferncias en las
estadísticas de juego entre los equipos ganadores y perdedores de la Copa del
Rey 2008 de Balonmano Masculino. E-Balonmano, 5(3), 107–114. Retrieved from http://www.e-balonmano.com/ojs/index.php/revista/article/view/42/37
Soto Valero, C. (2016). Predicting Win-Loss outcomes in MLB regular season
games – A comparative study using data mining methods. International Journal
of Computer Science in Sport, 15(2), 91–112.
https://doi.org/10.1515/ijcss-2016-0007
Srhoj, V., Rogulj, N., &
Katić, R. (2001). Influence of the attack end conduction on match result
in handball. Collegium Antropologicum, 25(2), 611–617.
Thabtah, F., Zhang, L., &
Abdelhamid, N. (2019). NBA Game Result Prediction Using Feature Analysis and
Machine Learning. Annals of Data Science, 6(1), 103–116.
https://doi.org/10.1007/s40745-018-00189-x
Número de citas totales /
Total references: 36 (100%)
Numero de citas propias de la
revista / Journal´s own references: 3 (8,3%)
Rev.int.med.cienc.act.fís.deporte - vol. 22 -
número 88 - ISSN: 1577-0354