Das Aufkommen von Techniken des maschinellen Lernens (ML) hat den Weg für ein umfassendes Athletenprofil geebnet, das bei der Identifizierung von Spitzenleistungen in sportlichen Aktivitäten von entscheidender Bedeutung ist. In diesem Beitrag wird die Korrelation zwischen Anthro-Fitness-Variablen und Skateboarding-Leistung untersucht. Skateboarder wurden einer umfassenden Bewertung unterzogen, die verschiedene Skateboarding-Manöver sowie anthropometrische und Fitnessbewertungen umfasste. Die Leistungen der Skateboarder wurden kategorisiert, und es wurde ein Random-Forest-Klassifikationsmodell (RF) entwickelt, um die Gruppierung der Skateboarder vorherzusagen. Die Clusteranalyse ergab zwei unterschiedliche Gruppen: High Anthro-fit Skateboarder (HAS) und Low Anthro-fit Skateboarder (LAS). Das RF-Modell zeigte ein hohes Maß an Genauigkeit und erreichte 97 % beim Training und 90 % beim Test. Weitere Diagnosen des Modells ergaben, dass die HAS-Gruppe im Vergleich zur LAS-Gruppe bei allen gemessenen Variablen, mit Ausnahme des Bauchumfangs, eine bessere Leistung zeigte. Die Integration des ML bietet Trainern und Interessensvertretern wertvolle Einblicke, die bei der fundierten Entscheidungsfindung für die Entwicklung von Athleten helfen und dadurch die Wettbewerbsfähigkeit verbessern.
© Copyright 2025 Künstliche Intelligenz und maschinelles Lernen in der Sportwissenschaft. Veröffentlicht von Springer Spektrum. Alle Rechte vorbehalten.