Utilizando abordagens de aprendizado de máquina para prever resultados de jogos: o caso da liga nacional de futsal
Resumo
O uso de técnicas de aprendizado de máquina na área esportiva cresce dia a dia. Áreas como análise esportiva, previsão de resultados e prevenção de contusões se apoiam cada mais nessas técnicas para obterem resultados mais eficazes. Neste contexto, este trabalho tem como objetivo prever os resultados de partidas de futsal da Liga Nacional de Futsal (LNF) (vencedor mandante, vencedor visitante e empate) utilizando os dados gerados durante o primeiro tempo da partida. Os dados foram extraídos do sítio da LNF e, além, dos atributos extraídos, seis novos atributos baseados na força dos times foram propostos. Os dados correspondem às temporadas de 2016 a 2019. A previsão dos resultados é feita através de modelos construídos por algoritmos de aprendizado de máquina. A validação do modelo foi feita através da acurácia dos resultados de previsão. Foram criados dez modelos de previsão e os resultados foram organizados da seguinte forma: o desempenho individual de cada modelo e um comitê de votação em que o resultado mais votado é o resultado utilizado na previsão. Resultados apontam que os modelos individuais possuem melhores desempenhos em prever um resultado específico (e.g., vitória do mandante) chegando a 95% de acurácia. Por outro lado, o comitê obteve um melhor desempenho nos resultados agrupados, chegando a quase 79% de acurácia.
Referências
-Anderson, C.; Sally, D.The numbers game: Why everything you know about football is wrong. Penguin UK. 2013.
-Baboota, R.; Kaur, H. Predictive analysis and modelling football results using machine learning approach for English Premier League. International Journal of Forecasting. Vol. 35. Núm. 2. 2019. p.741-755.
-Bunker, R.P.; Thabtah, F. A machine learning framework for sport result prediction. Applied computing and informatics. Vol. 15. Núm. 1. 2019. p. 27-33.
-Constantinou, A.; Fenton, N. Towards smart-data: Improving predictive accuracy in long-term football team performance. Knowledge-Based Systems. Vol. 124. 2017. p 93-104.
-Duarte, D.; Ståhl, N. Machine learning: a concise overview. In: DATA Science in Practice. Springer. 2019. p. 27-58.
-Frencken, W. G. P.; Lemmink, K. A. P. M. Team kinematics of small-sided soccer games. In: Reilly, T.; Korkusuz, F. editors. Science and Football VI. New York. Routledge. 2009. p. 161-166.
-Fried, G.; Mumcu, C.; editors. Sport analytics: A data-driven approach to sport business and management. Taylor & Francis. 2016.
-Flôres, F. S.; Santos, D. L.; Carlson, G. R.; Gelain, E. Z. What Can Coaches Do? The Relationship Between Substitution and Results of Professional Football Matches. Revista Brasileira de Futsal e Futebol. São Paulo. Vol. 11. Núm. 43. 2019. p. 215-222.
-Horvat, T.; Job, J. The use of machine learning in sport outcome prediction: A review. Wiley Interdisciplinary Reviews. Vol. 10. Núm. 5. 2020. p.e1380.
-Imai, T.; Uchiyama, A.; Magome, T.; Higashino, T. Play recognition using soccer tracking data based on machine learning. InInternational Conference on Network-Based Information Systems. Springer. Cham. 2018. p. 875-884.
-Pedregosa, F.; Varoquaux, G.; Gramfort, A.; Michel, V.; Thirion, B.; Grisel, O.; Blondel, M.; Prettenhofer, P.; Weiss, R.; Dubourg, V.; Vanderplas, J. Scikit-learn: Machine learning in Python. The Journal of machine Learning research. Vol. 12. 2011. p. 2825-2830.
-Stübinger, J.; Mangold, B.; Knoll, J. Machine learning in football betting: Prediction of match results based on player characteristics. Applied Sciences. Vol. 10. Núm. 1. 2020. p.46.
-Tsunoda, T.; Komori, Y.; Matsugu, M.; Harada, T. Football action recognition using hierar-chical lstm. In: Proceedings of IEEE Conference on Computer Vision and Pattern Recognition Work shops (CVPRW). 2017. p. 155-163.
-Van Haaren, J.; Van den Broeck, G. Relational learning for football-related predictions. In Latest advances in inductive logic programming. 2015. p. 237-244.
Copyright (c) 2021 Denio Duarte, Jefferson Alexandre Coppini
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
Autores que publicam neste periódico concordam com os seguintes termos:
- Autores mantém os direitos autorais e concedem ao periódico o direito de primeira publicação, com o trabalho simultaneamente licenciado sob a Creative Commons Attribution License BY-NC que permitindo o compartilhamento do trabalho com reconhecimento da autoria do trabalho e publicação inicial neste periódico.
- Autores têm autorização para assumir contratos adicionais separadamente, para distribuição não-exclusiva da versão do trabalho publicada neste periódico (ex.: publicar em repositório institucional ou como capítulo de livro), com reconhecimento de autoria e publicação inicial neste periódico.
- Autores têm permissão e são estimulados a publicar e distribuir seu trabalho online (ex.: em repositórios institucionais ou na sua página pessoal) a qualquer ponto antes ou durante o processo editorial, já que isso pode gerar alterações produtivas, bem como aumentar o impacto e a citaçõo do trabalho publicado (Veja O Efeito do Acesso Livre).
