我們使用各種不同的機器學習模型去訓練其判斷擊球方為哪位選手，並將影片上方的選手視為選手A，下方的選手視為選手B。資料筆數為所有影片中的擊球幀共有3269筆資料。變數除了先前透過不同偵測方式所獲取的羽球軌跡（X、Y座標）、人物節點（兩個人、XYZ座標、25個節點）及場地（8個交點的X、Y座標）外，還加上了球與手的距離（羽球和兩位球員的直徑距離），一共有170個變數。而資料中的Y則是需要預測的擊球方。我們將整筆資料拆分成訓練集70%、測試集30%，來進行後續的模型訓練。而我們在訓練中一共採用了XGBoost、SVM(支援向量機)、Perceptron(感知器) 、Decision Tree(決策樹)、Logistic Regression(邏輯斯回歸)、Random Decision Forests(隨機森林)，這6種模型進行預測，並使用多數決來決定最終的擊球選手。
| 分類器 | 訓練集準確率 | 測試集準確率 |
| XGBoost | 90.12% | 88.58% |
| SVM（支援向量機） | 96.51% | 95.31% |
| Perceptron（感知器） | 88.02% | 89.09% |
| Decision Tree（決策樹） | 89.72% | 88.58% |
| Logistic Regression（邏輯斯回歸） | 95.32% | 95.41% |
| Random Decision（隨機森林） | 88.46% | 87.36% |
我們使用多數決來決定該球的打擊者，將選手A當作0，選手B當作1。
在決定打擊者時會有兩種狀況。
狀況1：
當6種模型的預測結果有3種以上（不包含3）將其判定為0或是1，而該局的打擊者就會是多的那一方。
狀況2:
當6種模型的預測結果為3:3，各占一半，便使用計算的方式，來決定打擊者，先將所有的模型測試準確率加總除以2，以此數值作為分隔線。
並將1（選手B）的三種準確率加總，若其加總的數值大於分隔線，便判定本球的打擊者為1（選手B）。反之，若該數值加總小於分隔線，則本球的打擊者就會是0（選手A）。
舉例來說，XGBoost、SVM、Perceptron均預測為1，其餘均預測為0。
我們便將3種預測為1的準確率相加，加總的數值為272.98，而全部的準確率加總除以2為272.165，因預測為1的值大於分隔線值，於是該球的打擊者判定為1（選手B）。
