이 연구는 딥러닝과 XGBoost, 그리고 앙상블 모델을 활용하여 투척 경기 선수들의 성과를 예측하는 모델을 개발하고, 이를 통해 선수 훈련의 효율성을 높이며 경기력 향상에 기여하는 것을 목표로 하였다. 연구 방법으로는 다양한 기초체력 및 전문체력의 28개 변인을 바탕으로 딥러닝 모델, XGBoost모델, 그리고 이 두 모델을 결합한 앙상블 모델을 구축하였다. 데이터 전처리 과정에서는 표준화를 적용하였고, 교차검증 기법을 통해 각 모델의 성능을 평가하였다. 연구 결과를 살펴보면 딥러닝 모델은 높은 R-squared = 0.72을 나타내어 가장 높은 예측 정확도를 보였으며, XGBoost 모델또한 예측 성능을 나타냈다(R-squared = 0.29). 앙상블 모델은 두 모델의 예측 결과를 결합하여 R-squared 값 0.49를 기록하였으며 상대적으로 우수한 성능을 보였다. 이러한 결과는 투척경기의 비선형적 특성과 변수 간의 상호작용을 효과적으로 반영하기 위해 딥러닝과 트리 기반 모델의 조합이 유용할 수 있으나, 딥러닝 모델이 가장 우수한 성능을 나타내었음을 시사한다. 그러나 이 연구는 사례 수의 제한과 데이터의 범위에서 오는 한계를 가지며, 향후 연구에서는 더 다양한 변수와 데이터셋을 활용한 심층적인 연구가 필요하다.

The purpose of this study was to develop a performance prediction model for throwing event athletes using Deep Learning, XGBoost, and an ensemble model, thereby enhancing the efficiency of athlete training and improving performance. The methodology involved constructing Deep Learning, XGBoost, and ensemble models based on various basic and specialized physical fitness variables. The data preprocessing included standardization, and the performance of each model was evaluated using cross-validation techniques. The results showed that the Deep Learning model achieved the highest prediction accuracy with an R-squared value of 0.72, indicating its superior performance. The XGBoost model also demonstrated predictive capability with an R-squared value of 0.29. The ensemble model, which combined the predictions of both models, recorded an R-squared value of 0.49, indicating relatively better performance. These findings suggest that the combination of Deep Learning and tree-based models can effectively capture the nonlinear characteristics and interactions of variables in throwing events, although the Deep Learning model exhibited the most superior performance. However, this study has limitations in terms of the number of cases and the scope of the data. Thus, future research should involve more comprehensive studies with diverse variables and datasets to deepen the understanding.