Influence de la prédiction de résultats des compétitions de jumping dans la décision d’investir dans un cheval
Files
DEPOTTER_36971500_2020.pdf
Closed access - Adobe PDF
- 757.76 KB
DEPOTTER_36971500_2020_Annexe1.pdf
Closed access - Adobe PDF
- 689.35 KB
DEPOTTER_36971500_2020_Annexe2.pdf
Closed access - Adobe PDF
- 476.1 KB
DEPOTTER_36971500_2020_Annexe3.pdf
Closed access - Adobe PDF
- 475.23 KB
DEPOTTER_36971500_2020_Annexe4.pdf
Closed access - Adobe PDF
- 421.75 KB
Details
- Supervisors
- Faculty
- Degree label
- Abstract
- La prédiction de résultats sportifs est un domaine en pleine expansion. De plus en plus d’études sont menées à ce sujet. Les sports comme le football, le basketball ou encore les courses de chevaux font d’ailleurs l’objet de beaucoup de recherches. En effet, les sportifs, les coachs, les parieurs ou encore les sponsors se rendent compte de l’étendue des possibilités qu’offre le Data mining ainsi que de l’avantage certain qu’il représente dans la prise de décision. Cependant, aucune étude n’a été menée sur la prédiction de résultats dans la compétition de saut d’obstacles. Au cours de ce mémoire, nous avons tenté de répondre à la question suivante : « Est-ce que la prédiction de résultats des compétitions de jumping influence la décision d’investir dans un cheval ? ». Dans la littérature, nous avons expliqué les concepts de Data mining utiles au bon déroulement de ce mémoire et nous avons présenté quelques études menées sur la prédiction de résultats. Nous avons ainsi pu dégager quelques hypothèses afin de tenter de répondre à la problématique posée. Nous avons décidé d’utiliser un réseau de neurones Back propagation afin de prédire les résultats des compétitions de jumping. Il s’agit d’un modèle prédictif très souvent utilisé en prédiction de résultats sportifs et qui se révèle être efficace. Nous avons pris la décision que chaque cheval ait son propre réseau permettant de prédire son temps de parcours ainsi que ses points de pénalité. Le classement a été ensuite réalisé en fonction de ces deux résultats. Notre modèle souffre malheureusement d’une multitude de biais ainsi que de nombreuses limites. Le modèle manque par conséquent de robustesse et de précision ce qui amène à l’obtention de résultats non satisfaisants.