Machine learning para a predição da carga de treinamento de um atleta da Seleção Brasileira de Taekwondo
Carregando...
Data
Autor(es)
Título da Revista
ISSN da Revista
Título de Volume
Editor
Universidade Federal de Minas Gerais
Descrição
Tipo
Monografia de especialização
Título alternativo
Primeiro orientador
Membros da banca
João Guilherme Maia de Menezes
Guilherme Lopes de Oliveira
Guilherme Lopes de Oliveira
Resumo
O objetivo do presente estudo foi ajustar um modelo preditivo para a carga de treinamento de um atleta da seleção brasileira de Taekwondo. Foram analisadas 122 sessões de treinamento e a escala de Bem_Estar, média de altura de salto com contramovimento (SCMmedia) e frequência cardíaca média (FC_MED) foram utilizadas como variáveis independentes. Para predizer a percepção subjetiva do esforço em três níveis, Leve, Moderada e Elevada (PSE_class) foram ajustados os modelos de Árvore de Decisão de classificação, Floresta Aleatória, Bagging e Boosting. Após realizados os testes, a Árvore de Decisão apresentou acurácia de 26,09%, a Floresta Aleatória apresentou acurácia de 17,39%, o método Bagging apresentou acurácia de 56,52% e o Boosting demonstrou acurácia de 65,21%. Frente aos resultados encontrados, o método Bossting apresentou melhor desempenho e mostrou-se mais adequado para ajuste do modelo de árvore de decisão para predizer a PSE_class de treinamento, mas deve ser usado com cautela.
Abstract
The aim of the present study was to adjust a predictive model for the training load of an athlete from the Brazilian Taekwondo team. 122 training sessions were analyzed and the Wellness_Being scale, countermovement jump height mean (CMJmean), and mean heart rate (HR_MED) were used as dependent variables. To predict the rate perception of exertion at three levels, Easy, Moderate and High (RPE_class), the classification Decision Tree, Random Forest, Bagging and Boosting models were adjusted. After carrying out the tests, the Decision Tree showed an accuracy of 26.09%, the Random Forest showed an accuracy of 17.39%, the Bagging
method showed an accuracy of 56.52% and Boosting showed an accuracy of 65.21%. In conclusion, the Bossting method performed better and was more suitable for adjusting the decision tree model to predict the RPE_class of the training, but should be used with caution.
Assunto
Estatística, Controle preditivo, Tae kwon do – Treinamento técnico, Inteligência artificial
Palavras-chave
Algoritmo de Predição, inteligência artificial, Análise Esportiva
Citação
Departamento
Endereço externo
Coleções
Avaliação
Revisão
Suplementado Por
Referenciado Por
Licença Creative Commons
Exceto quando indicado de outra forma, a licença deste item é descrita como Acesso Aberto