Regardless of how much data were co

Regardless of how much data were collected, the features extracted from a dataset are possibly more important than the sample size of the dataset used, because if the prediction features inputted to a ML model hold no meaningful information it will never perform well. While a ML model could be trained on all the available data collected, models that seek to guide rehabilitation programmes, injury prevention initiatives, movement quality assessments and training load optimisation should be built using only a small selection of features—to aid interpretability. Traditionally, studies in sports science have used a subjective selection of features (e.g., a signal’s maximal value) that can potentially result in important information being discarded. Recently, data-driven approaches were introduced and are being used more frequently (e.g., principal component analysis [PCA]). For an optimal and robust collection of features, sports scientists should combine objective and domainspecific knowledge-based features because even a data-driven feature extraction does not guarantee that all information that is contained within the data is used. For example, Richter et al. (2019) sought to develop a ML model that could differentiate between the operated and non-operated limb of an athlete undergoing rehabilitation following anterior cruciate ligament reconstruction and the limb of a non-injured healthy control athlete using kinematic and kinetic measures (time normalised waveforms) recorded during a variety of exercises. To extract prediction features, a PCA was used, as it captures the variability within the dataset. However, this approach may have resulted in missed information on potential benefit to the model, as variability of the dataset does not necessarily correspond to differentiation/classification ability

ผลลัพธ์ (ไทย) 1:

ไม่ว่าจะมีการรวบรวมข้อมูลมากน้อยเพียงใด คุณลักษณะที่ดึงมาจากชุดข้อมูลอาจมีความสำคัญมากกว่าขนาดตัวอย่างของชุดข้อมูลที่ใช้ เนื่องจากหากคุณลักษณะการคาดการณ์ที่ป้อนลงในโมเดล ML ไม่มีข้อมูลที่มีความหมาย ก็จะทำงานได้ไม่ดีนัก แม้ว่าแบบจำลอง ML สามารถได้รับการฝึกอบรมจากข้อมูลที่มีอยู่ทั้งหมดที่รวบรวมไว้ แต่แบบจำลองที่ต้องการเพื่อเป็นแนวทางในโปรแกรมการฟื้นฟู การริเริ่มการป้องกันการบาดเจ็บการประเมินคุณภาพการเคลื่อนไหว และการเพิ่มประสิทธิภาพภาระการฝึก ควรสร้างขึ้นโดยใช้คุณสมบัติที่เลือกเพียงเล็กน้อยเท่านั้น เพื่อช่วยในการตีความ ตามเนื้อผ้าการศึกษาในสาขาวิทยาศาสตร์การกีฬาได้ใช้การเลือกลักษณะเฉพาะ (เช่นค่าสูงสุดของสัญญาณ) ซึ่งอาจส่งผลให้ข้อมูลสำคัญถูกละทิ้ง เมื่อเร็วๆ นี้ มีการนำแนวทางที่ขับเคลื่อนด้วยข้อมูลมาใช้และมีการใช้บ่อยมากขึ้น (เช่น การวิเคราะห์องค์ประกอบหลัก [PCA]) เพื่อการรวบรวมคุณสมบัติที่เหมาะสมและมีประสิทธิภาพ นักวิทยาศาสตร์การกีฬาควรรวมคุณสมบัติตามวัตถุประสงค์และตามความรู้เฉพาะโดเมน เนื่องจากแม้แต่การแยกคุณสมบัติที่ขับเคลื่อนด้วยข้อมูลก็ไม่ได้รับประกันว่าข้อมูลทั้งหมดที่มีอยู่ในข้อมูลจะถูกใช้ ตัวอย่างเช่น ริกเตอร์ และคณะ (2019) พยายามพัฒนาแบบจำลอง ML ที่สามารถแยกความแตกต่างระหว่างแขนขาที่ผ่าตัดและไม่ได้ผ่าตัดของนักกีฬาที่ได้รับการพักฟื้นหลังจากการสร้างเอ็นไขว้หน้าขึ้นใหม่ และแขนขาของนักกีฬาที่ควบคุมสุขภาพที่ไม่ได้รับบาดเจ็บ โดยใช้มาตรการจลนศาสตร์และจลนศาสตร์ ( รูปคลื่นที่ทำให้เป็นมาตรฐาน ตามเวลา ) ที่บันทึกไว้ระหว่างการออกกำลังกายที่หลากหลาย เพื่อแยกคุณสมบัติการคาดการณ์ มีการใช้ PCA เนื่องจากจับความแปรปรวนภายในชุดข้อมูล อย่างไรก็ตามวิธีการนี้อาจส่งผลให้มีข้อมูลที่พลาดไปเกี่ยวกับประโยชน์ที่เป็นไปได้ของแบบจำลอง เนื่องจากความแปรปรวนของชุดข้อมูลไม่จำเป็นต้องสอดคล้องกับความสามารถในการสร้างความแตกต่าง/การจำแนกประเภท

ผลลัพธ์ (ไทย) 2:

ไม่ว่าจะเก็บข้อมูลได้มากน้อยแค่ไหนก็ตาม,ลักษณะการดึงออกมาจากชุดข้อมูล
อาจมีความสำคัญมากกว่าขนาดตัวอย่างของชุดข้อมูลที่ใช้ เพราะหาก
คุณสมบัติการคาดการณ์ที่ป้อนลงในรุ่น ML จะไม่มีข้อมูลที่มีความหมาย
ไม่เคยประพฤติตัวไม่ดี ในขณะที่รุ่น ML สามารถฝึกได้ทุกข้อมูลที่มีอยู่
รวบรวมหาแบบจำลองเพื่อเป็นแนวทางในการวางแผนฟื้นฟูและป้องกันการบาดเจ็บ
ความคิดริเริ่มการประเมินคุณภาพการออกกำลังกายและการเพิ่มประสิทธิภาพการออกกำลังกาย
สร้างขึ้นโดยใช้คุณลักษณะเพียงเล็กน้อย - เพื่อช่วยอธิบาย ตามธรรมเนียม
การศึกษาวิทยาศาสตร์การกีฬาใช้การเลือกอัตวิสัยของลักษณะ (เช่น สัญญาณ
สูงสุด) ซึ่งอาจนำไปสู่การทิ้งข้อมูลสำคัญ
เมื่อเร็ว ๆ นี้วิธีการที่ขับเคลื่อนด้วยข้อมูลได้รับการแนะนำและใช้บ่อยขึ้น (เช่นการวิเคราะห์องค์ประกอบหลัก [PCA]) เพื่อให้เกิดประสิทธิภาพสูงสุดและแข็งแรง
รวบรวมคุณลักษณะที่นักวิทยาศาสตร์การกีฬาควรรวมเป้าหมายและบรรทัดฐานของสนาม

ผลลัพธ์ (ไทย) 3:

ไม่ว่าข้อมูลจะถูกเก็บรวบรวมมากแค่ไหนองค์ประกอบที่ถูกแยกออกจากชุดข้อมูล
อาจมีความสําคัญมากกว่าขนาดตัวอย่างของชุดข้อมูลที่ใช้เพราะถ้า
คุณลักษณะการคาดการณ์ที่ป้อนลงในโมเดลMLไม่มีข้อมูลที่มีความหมาย
ไม่เคยทํางานได้ดี แม้ว่าโมเดลMLสามารถฝึกอบรมข้อมูลที่มีอยู่ทั้งหมดได้
รวบรวม, แบบจําลอง, พยายามที่จะชี้นําแผนฟื้นฟู, การป้องกันการบาดเจ็บ
ความคิดริเริ่มการประเมินคุณภาพการออกกําลังกายและการเพิ่มประสิทธิภาพการฝึกอบรมควร
สร้างขึ้นโดยใช้เพียงส่วนเล็กๆของฟังก์ชันเพื่อปรับปรุงการตีความ ตามธรรมเนียมแล้ว
การวิจัยในวิทยาศาสตร์การออกกําลังกายได้ใช้การเลือกอัตนัยของคุณลักษณะ(ตัวอย่างเช่นสัญญาณ
สูงสุด)ซึ่งอาจทําให้ข้อมูลสําคัญถูกทิ้ง
เมื่อเร็วๆนี้ได้มีการนําวิธีการที่ใช้ข้อมูลมาใช้และใช้บ่อยขึ้น(เช่นการวิเคราะห์องค์ประกอบหลัก( PCA ) ) สําหรับสิ่งที่ดีที่สุดและแข็งแรง
ในการรวบรวมคุณลักษณะนักวิทยาศาสตร์กีฬาควรรวมคุณลักษณะที่อิงกับวัตถุประสงค์และเฉพาะโดเมนเนื่องจากแม้แต่การสกัดคุณลักษณะที่ขับเคลื่อนด้วยข้อมูล
ไม่มีการรับประกันการใช้ข้อมูลทั้งหมดที่มีอยู่ในข้อมูล
ตัวอย่างเช่นRichter et al . ( 2019 )พยายามที่จะพัฒนาโมเดลMLที่สามารถ
แยกแยะแขนขาผ่าตัดและแขนขาที่ไม่ผ่าตัดของนักกีฬา
การฟื้นฟูสมรรถภาพและการฟื้นฟูสมรรถภาพส่วนล่างหลังการฟื้นฟูเอ็นไขว้
นักกีฬาควบคุมที่มีสุขภาพดีที่ไม่ได้รับบาดเจ็บโดยใช้การวัดจลนศาสตร์และจลนพลศาสตร์(เวลา
รูปคลื่นปกติ)บันทึกในระหว่างการออกกําลังกายต่างๆ ดึงการคาดการณ์
คุณลักษณะโดยใช้การวิเคราะห์องค์ประกอบหลักเนื่องจากจับความแปรปรวนในชุดข้อมูล อย่างไรก็ตาม,
วิธีนี้อาจนําไปสู่การละเว้นข้อมูลเกี่ยวกับประโยชน์ที่อาจเกิดขึ้น
แบบจําลองเนื่องจากความแปรปรวนของชุดข้อมูลไม่จําเป็นต้องสอดคล้องกับความสามารถในการจําแนก/จําแนก