Usare approcci di machine learning per prevedere i risultati delle partite: il caso della lega nazionale di futsal
Abstract
L’utilizzo delle tecniche di machine learning in ambito sportivo cresce di giorno in giorno. Aree come l’analisi sportiva, la previsione dei risultati e la prevenzione degli infortuni si affidano sempre più a queste tecniche per ottenere risultati più efficaci. In questo contesto, questo lavoro mira a prevedere i risultati delle partite di futsal della National Futsal League (LNF) (vincitrice in casa, vittoria in trasferta e pareggio) utilizzando i dati generati durante il primo tempo della partita. I dati sono stati estratti dal sito dei LNF e, oltre agli attributi estratti, sono stati proposti sei nuovi attributi basati sulla forza delle squadre. I dati corrispondono alle stagioni dal 2016 al 2019. I risultati sono previsti utilizzando modelli costruiti da algoritmi di apprendimento automatico. La validazione del modello è stata effettuata attraverso l'accuratezza dei risultati della previsione. Sono stati creati dieci modelli di previsione e i risultati sono stati organizzati come segue: la performance individuale di ciascun modello e un comitato di votazione in cui il risultato più votato è quello utilizzato nella previsione. I risultati indicano che i singoli modelli hanno prestazioni migliori nel prevedere un risultato specifico (ad esempio, la vittoria della squadra di casa) raggiungendo una precisione del 95%. D'altro canto, il comitato ha ottenuto risultati migliori nei risultati raggruppati, raggiungendo una precisione pari a quasi il 79%.
Riferimenti bibliografici
-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
Questo lavoro è fornito con la licenza Creative Commons Attribuzione - Non commerciale 4.0 Internazionale.
Gli autori che pubblicano in questa rivista accettano i seguenti termini:
- Gli autori conservano il diritto d'autore e concedono alla rivista il diritto di prima pubblicazione, con l'opera contemporaneamente concessa in licenza ai sensi del Creative Commons Attribution License BY-NC quello che consente la condivisione dell'opera con riconoscimento della paternità dell'opera e prima pubblicazione in questa rivista.
- Gli autori sono autorizzati a stipulare separatamente ulteriori contratti, per la distribuzione non esclusiva della versione dell'opera pubblicata su questa rivista (es. pubblicazione in un repository istituzionale o come capitolo di libro), con riconoscimento della paternità e prima pubblicazione in questa rivista .
- Gli autori sono autorizzati e incoraggiati a pubblicare e distribuire il proprio lavoro online (ad es. in archivi istituzionali o sulla propria pagina personale) in qualsiasi momento prima o durante il processo editoriale, in quanto ciò può generare cambiamenti produttivi nonché aumentare l'impatto e la citazione del pubblicato lavoro (Vedi O Efeito do Acesso Livre).
