fAIrway – AI och avancerad dataanalys för bättre träning för elitgolfare

I projektet har vi undersökt hur man kan skapa mer rättvisande prestationsmått i golf genom att använda den stora mängd slagdata som finns i Sverige. I dag bygger det vanligaste måttet, strokes gained, på referenser från herrarnas PGA-tour, vilket gör det mindre användbart för kvinnor och juniorer.

Vi testade olika statistiska modeller. Alla modeller tränades på tre fjärdedelar av datan och testades på den sista fjärdedelen. Resultaten visar tydligt att den maskininlärningsmodell som kallas LightGBM fungerar bäst. Den är den enda som presterar bättre än dagens PGA-baserade mått och gör det särskilt bra i situationer där det finns lite data, till exempel för juniorer och damer.

Generellt hade alla modeller svårare att skapa bra referensvärden på damsidan och i de lägre tävlingsnivåerna. Men även här presterade LightGBM bäst för alla grupper, och förbättringen jämfört med PGA-måttet var störst just för dessa spelare. Det betyder att nya modeller kan ge mer rättvisande referenser och bättre stöd för spelare som tidigare haft minst nytta av verktyget.

Projektet har också föreslagit nya visualiseringar av spelares prestation, som bättre inkluderar prestationsvariation. På så sätt kan spelare och tränare lättare upptäcka faktiska trender, se framsteg och förstå var insatser behövs. Detta gör data mer användbart både för tränare och för spelare själva.