Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Buchtitelbild

2015 | OriginalPaper | Buchkapitel

A Probabilistic Rating System for Team Competitions with Individual Contributions

verfasst von : Sergey Nikolenko

Erschienen in: Analysis of Images, Social Networks and Texts

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

We study the problem of constructing a probabilistic rating system for team competitions. Unlike previous studies, we consider a setting where the competition can be broken down into relatively small individual tasks, and it is reasonable to assume that each task is done by a single team member. We begin with a simplistic naïve Bayes approach which is this case reduces to logistic regression and then develop it into a more complex model with latent variables trained by expectation–maximization. We show experimental results that validate our approach.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Nächstes Kapitel Sequential Hierarchical Image Recognition Based on the Pyramid Histograms of Oriented Gradients with Small Samples
Literatur
1.
Elo, A.: The Ratings of Chess Players: Past and Present. Arco, New York (1978)
2.
Wu, T.F., Lin, C.J., Weng, R.C.: Probability estimates for multi-class classification by pairwise coupling. J. Mach. Learn. Res. 5, 975–1005 (2004)MathSciNetMATH
3.
Huang, T.K., Weng, R.C., Lin, C.J.: Generalized bradley-terry models and multi-class probability estimates. J. Mach. Learn. Res. 7, 85–115 (2006)MathSciNetMATH
4.
Stein, A., Aryal, J., Gort, G.: Generalized bradley-terry models and multi-class probability estimates. IEEE Trans. Geosci. Remote Sens. 43, 852–856 (2005)CrossRef
5.
Coulom, R.: Computing Elo ratings of move patterns in the game of Go. ICGA J. 30(4), 198–208 (2007)
6.
Graepel, T., Candela, J.Q., Borchert, T., Herbrich, R.: Web-scale bayesian click-through rate prediction for sponsored search advertising in microsoft’s bing search engine. In: Proceedings of the \(27^{\text{ th }}\) International Conference on Machine Learning, pp. 13–20 (2010)
7.
Graepel, T., Minka, T., Herbrich, R.: TrueSkill(tm): a bayesian skill rating system. In: Schölkopf, B., Platt, J., Hoffman, T. (eds.) Advances in Neural Information Processing Systems 19, pp. 569–576. MIT Press, Cambridge (2007)
8.
Bradley, R.A., Terry, M.E.: Rank analysis of incomplete block designs. I. The method of paired comparisons. Biometrika 39, 324–245 (1952)MathSciNetMATH
9.
Agresti, A.: Categorical Data Analysis. Wiley, New York (1990)MATH
10.
11.
12.
Marden, J.I.: Analyzing and Modeling Rank Data. Chapman and Hall, London (1995)MATH
13.
Menke, J.E., Martinez, T.R.: A bradley-terry artificial neural network model for individual ratings in group competitions. Neural Comput. Appl. 17(2), 175–186 (2008)CrossRef
14.
Bishop, C.M.: Pattern Recognition and Machine Learning. Springer, New York (2006)MATH
15.
Nikolenko, S.I., Sirotkin, A.V.: A new bayesian rating system for team competitions. In: Proceedings of the \(28^{\text{ th }}\) International Conference on Machine Learning, pp. 601–608 (2011)
16.
Nikolenko, S.I., Serdyuk, D.V., Sirotkin, A.V.: Bayesian rating systems with additional information on tournament results. SPIIRAS Proc. 22, 189–204 (2012)
17.
Zhang, H.: The optimality of naive bayes. In: Barr, V., Markov, Z. (eds.) Proceedings of the Seventeenth International Florida Artificial Intelligence Research Society Conference (FLAIRS 2004). AAAI Press (2004)
18.
Zhang, H., Su, J.: Naive bayesian classifiers for ranking. In: Boulicaut, J.-F., Esposito, F., Giannotti, F., Pedreschi, D. (eds.) ECML 2004. LNCS (LNAI), vol. 3201, pp. 501–512. Springer, Heidelberg (2004) CrossRef
19.
Ward, G., Hastie, T., Barry, S., Elith, J., Leathwick, J.R.: Presence-only data and the EM algorithm. Biometrics 65(2), 554–563 (2009)MathSciNetCrossRefMATH
20.
Royle, J.A., Chandler, R.B., Yackulic, C., Nichols, J.D.: Likelihood analysis of species occurrence probability from presence-only data for modelling species distributions. Methods Ecol. Evol. 3(3), 545–554 (2012)CrossRef
21.
Divino, F., Golini, N., Lasinio, G.J., Penttinen, A.: Bayesian modeling and MCMC computation in linear logistic regression for presence-only data (2013). arXiv:​1305.​1232 [stat.CO]
22.
Elkan, C., Noto, K.: Learning classifiers from only positive and unlabeled data. In: Proceedings of the 14th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, KDD 2008, pp. 213–220. ACM, New York (2008)
23.
24.
Ling, C.X., Huang, J., Zhang, H.: AUC: a statistically consistent and more discriminating measure than accuracy. Proc. Int. Joint Conf. Artif. Intel. 2003, 519–526 (2003)
Metadaten
Titel
A Probabilistic Rating System for Team Competitions with Individual Contributions
verfasst von
Sergey Nikolenko
Copyright-Jahr
2015
Buch
Analysis of Images, Social Networks and Texts

Print ISBN: 978-3-319-26122-5

Electronic ISBN: 978-3-319-26123-2

Copyright-Jahr: 2015

DOI
https://doi.org/10.1007/978-3-319-26123-2_1