Automatisoidut koneoppimismenetelmät (AutoML) : case: Formula 1 -osakilpailusijoitusten ennustaminen

Abstract

Tässä kandidaatintutkielmassa tutkittiin automatisoitua koneoppimista (AutoML) ja pyrittiin ennustamaan Formula 1 -osakilpailusijoituksia sen avulla. Tutkimuksessa perehdyttiin ensin koneoppimisen ja automatisoidun koneoppimisen teoriaan. Tutkimus toteutettiin kvantitatiivisena tutkimuksena, jossa luotiin ennustusmalli Pythonin AutoML-työkalun, TPOT:n, avulla. Tutkimuksessa hyödynnetty data kerättiin virallisesta Formula 1 -datastreamista.

Tutkimuksen tulokset osoittivat, että ennustusmalli pystyi ennustamaan Formula 1 -osakilpailusijoituksia kohtalaisesti. Tutkimuksessa ennustusmallin tärkeimmät osakilpailusijoitukseen vaikuttavat tekijät yhtyvät aikaisempiin tutkimuksiin. AutoML-ennustusmallin toimivuuden suoriutumismittarit ovat maltillisia, mikä alentaa tuloksien merkittävyyttä. Tutkimus osoittaa kuitenkin AutoML:n potentiaalin sijoituksien ennustamisessa sekä Formula 1:ssä että muussa moottoriurheilussa.

This bachelor’s thesis examined automated machine learning (AutoML) and its possibilities to predict Formula One driver standings. The research commenced by devolving into the theory of machine learning and AutoML. The research was carried out as a quantitative study where a prediction model was created using Pythons AutoML tool, TPOT. The dataset utilized in this research was collected from the official Formula One data stream.

The results of this research demonstrated a moderate predictive capability of the developed model for predicting Formula One driver standings. According to the prediction model the significant factors influencing the driver standings align with the existing research. The performance measures of AutoML prediction model are moderate which lowers the significance of the results. However, the research underscores the potential of AutoML techniques in predicting standings not only in Formula One but also in other motorsport disciplines.