Resumo

O objetivo do estudo foi comparar o desempenho de quatro algoritmos de Machine Learning, isolados e em comitês (ensembles), para classificar atletas masculinos de IRONMAN 70.3. A pesquisa buscou determinar a eficácia dos modelos na distinção entre níveis "competitivo" e "apenas concluinte".

A relevância está na aplicação de comitês de algoritmos (ensembles) como um mecanismo inovador para a análise de desempenho no triatlo. A originalidade reside na comparação direta entre modelos isolados e comitês para classificar atletas, explorando uma abordagem precisa.

A metodologia consistiu em uma pesquisa exploratória e empírica utilizando uma base de dados do Kaggle. Foram treinados e comparados quatro algoritmos de Machine Learning e comitês (ensembles) para classificar o desempenho de atletas, usando tempos parciais e dados etários como variáveis.

Os principais resultados indicaram que a diferença de desempenho entre os modelos isolados e os comitês foi pequena. Isso sugere que os modelos individuais são viáveis para essa tarefa, enquanto os comitês podem ser uma ferramenta útil para cenários mais complexos.

A principal contribuição metodológica foi a aplicação e comparação de comitês de hard e soft voting em um domínio esportivo específico. Teoricamente, o estudo contribui ao demonstrar que, para este problema, modelos mais simples podem ser tão eficazes quanto ensembles complexos.

As principais contribuições são a possibilidade de criação de uma ferramenta que pode auxiliar treinadores e atletas a otimizar treinamentos e estratégias de prova. Socialmente, o estudo promove o uso de dados para uma análise mais objetiva e criteriosa do desempenho atlético.

The objective of the study was to compare the performance of four Machine Learning algorithms, individually and in ensembles, in classifying male IRONMAN 70.3 athletes. The research sought to determine the effectiveness of the models in distinguishing between "competitive" and "completer" levels.

The relevance lies in the application of algorithmic committees (ensembles) as an innovative mechanism for performance analysis in triathlon. The originality lies in the direct comparison between isolated models and committees for classifying athletes, exploring a precise approach.

The methodology consisted of exploratory and empirical research using a Kaggle database. Four machine learning algorithms and ensembles were trained and compared to classify athletes' performance, using split times and age data as variables.

The main results indicated that the performance difference between the stand-alone models and the ensembles was small. This suggests that stand-alone models are viable for this task, while ensembles may be a useful tool for more complex scenarios.

The main methodological contribution was the application and comparison of hard and soft voting committees in a specific sports domain. Theoretically, the study contributes by demonstrating that, for this problem, simpler models can be as effective as complex ensembles.

The main contributions include the possibility of the creation of a tool that can help coaches and athletes optimize training and competition strategies. Socially, the study promotes the use of data for a more objective and insightful analysis of athletic performance.