Zastosowanie uczenia maszynowego w predykcji rezultatów meczów piłki nożnej

• Autorzy: Szymon Głowania , Jan Kozak
• Języki publikacji: PL

Abstrakty

Podczas doboru odpowiedniego algorytmu uczenia maszynowego często spotykanym podejściem jest porównywanie ze sobą (w różnych kombinacjach) wyników uzyskanych przez drzewa decyzyjne (ang. decision trees, DT), maszynę wektorów nośnych (ang. support vector machine, SVM) i lasy losowe (ang. random forest, RF), dlatego algorytmy te zostaną zastosowane w przygotowanym eksperymencie. Głównym celem rozdziału jest wybranie algorytmów uczenia maszynowego pozwalających na poprawę predykcji wyników meczów piłkarskich w stosunku do przewidywań bukmacherów. Do weryfikacji, czy za-proponowany algorytm pozwala na poprawę wyników klasyfikacji, niezbędne jest opracowanie zbioru danych oraz wytrenowanie poszczególnych modeli. Postawiono hipotezę, iż zastosowanie opracowanego modelu opartego na prostej tabeli decyzyjnej pozwoli na poprawę predykcji wyników meczów piłkarskich polskiej PKO Ekstraklasy względem przewidywań bukmacherów. Ocena poprawy predykcji zostanie dokonana na podstawie uzyskanego zysku/ straty w symulacji zakładów bukmacherskich. W kolejnej części rozdziału przedstawiono zagadnienia związane z dokonanym przeglądem literatury dotyczącej predykcji wyników sportowych. Następnie opisano zastosowane w przygotowanym rozwiązaniu algorytmy. Dalej zaprezentowano przeprowadzone eksperymenty i ich wyniki. W ostatniej sekcji krótko podsumowano uzyskane wyniki i przedstawiono dalsze wizje prac. (fragment tekstu)

Słowa kluczowe

PL

Kluby piłkarskie; Impreza sportowa; Uczenie maszynowe; Metoda wektorów nośnych (SVM); Drzewo decyzyjne

EN

Football clubs; Sport events; Machine learning; Support Vector Machines (SVM); Decision tree

• Czasopismo: Prace Naukowe / Uniwersytet Ekonomiczny w Katowicach
• Rocznik: 2021
• Tom: Modelowanie preferencji a ryzyko '21-'22
• Strony: 119--133

Twórcy

autor

Szymon Głowania

• Uniwersytet Ekonomiczny w Katowicach

autor

Jan Kozak

• Uniwersytet Ekonomiczny w Katowicach

Bibliografia

• Baboota R., Kaur H. (2019), Predictive Analysis and Modelling Football Results Using Machine Learning Approach for English Premier League, "International Journal of Forecasting", Vol. 35(2), s. 741-755.
• Bejger S. (2021), Optimization of the Structure of the Speedway Team in the Presence of Regulation and Financial Constraints - Application of Machine Learning and Integer Programming to the Polish League Case, "Journal of Physical Education and Sport", doi:10.7752/jpes.2021.s2123, s. 990-998.
• Breiman L. (2001), Random Forests, "Machine Learning", Vol. 45(1), s. 5-32.
• Breiman L., Friedman J., Stone C., Olshen R. (1984), Classification and Regression Trees, Chapman & Hall, New York.
• Bunker R.P., Thabtah F. (2019), A Machine Learning Framework for Sport Result Prediction, "Applied Computing and Informatics", Vol. 15(1), s. 27-33.
• Cai W., Yu D., Wu Z., Du X., Zhou T. (2019), A Hybrid Ensemble Learning Framework for Basketball Outcomes Prediction, "Physica A: Statistical Mechanics and Its Applications", Vol. 528, s. 1-8.
• Cortes C., Vapnik V. (1995), Support-Vector Networks, "Machine Learning", Vol. 20(3), s. 273-297.
• Ćwiklinski B., Giełczyk A., Choraś M. (2021), Who Will Score? A Machine Learning Approach to Supporting Football Team Building and Transfers, "Entropy", Vol. 23(1), s. 1-12.
• Dˇzeroski S., Zenko B. (2004), Is Combining Classifiers with Stacking Better Than Selecting the Best One? "Machine Learning", Vol. 54(3), s. 255-273.
• Delen D., Cogdell D., Kasap N. (2012), A Comparative Analysis of Data Mining Methods in Predicting NCAA Bowl Outcomes, "International Journal of Forecasting", Vol. 28(2), s. 543-552.
• Eryarsoy E., Delen D. (2019), Predicting the Outcome of a Football Game: A Comparative Analysis of Single and Ensemble Analytics Methods, Proceedings of the 52nd Hawaii International Conference on System Sciences.
• Freund Y., Schapire R.E. (1996), Experiments with a New Boosting Algorithm, "ICML", Vol. 96, s. 148-156.
• Freund Y., Schapire R.E. (1997), A Decision-theoretic Generalization of On-line Learn-ing and an Application to Boosting, "Journal of Computer and System Sciences", Vol. 55(1), s. 119-139.
• Hansen L.K., Salamon P. (1990), Neural Network Ensembles, "IEEE Transactions on Pattern Analysis and Machine Intelligence", Vol. 12(10), s. 993-1001.
• Joseph A., Fenton N.E., Neil M. (2006), Predicting Football Results Using Bayesian Nets and Other Machine Learning Techniques, "Knowledge-Based Systems", Vol. 19(7), s. 544-553.
• Kahn J. (2003), Neural Network Prediction of NFL Football Games, World Wide Web electronic publication, s. 9-15.
• Kozak J. (2019), Decision Tree and Ensemble Learning Based on Ant Colony Optimization, Springer.
• Leung C.K., Joseph K.W. (2014), Sports Data Mining: Predicting Results for the College Football Games, "Procedia Computer Science", Vol. 35, s. 710-719.
• Maszczyk A., Gołaś A., Pietraszewski P., Roczniok R., Zając A., Stanula A. (2014), Application of Neural and Regression Models in Sports Results Prediction, "Procedia-Social and Behavioral Sciences", Vol. 117, s. 482-487.
• McCabe A., Trevathan J. (2008), Artificial Intelligence in Sports Prediction, Fifth International Conference on Information Technology: New Generations (ITNG 2008), s. 1194-1197.
• Opitz D., Maclin R. (1999), Popular Ensemble Methods: An Empirical Study, "Journal of Artificial Intelligence Research", Vol. 11, s. 169-198.
• Pai P.-F., ChangLiao L.-H., Lin K.-P. (2017), Analyzing Basketball Games by a Support Vector Machines with Decision Tree Model, "Neural Computing and Applications", Vol. 28(12), s. 4159-4167.
• Razali N., Mustapha A., Yatim F.A., Ab Aziz R. (2017), Predicting Football Matches Results Using Bayesian Networks for English Premier League (EPL), IOP Conference series: Materials Science and Engineering, Vol. 226, s. 1-6, IOP Publishing.
• Rotshtein A.P., Posner M., Rakityanskaya A. (2005), Football Predictions Based on a Fuzzy Model with Genetic and Neural Tuning, "Cybernetics and Systems Analysis", Vol. 41(4), s. 619-630.
• Rue H., Salvesen O. (2000), Prediction and Retrospective Analysis of Soccer Matches in a League, "Journal of the Royal Statistical Society: Series D (The Statistician)", Vol. 49(3), s. 399-418.
• Schauberger G., Groll A. (2018), Predicting Matches in International Football Tournaments with Random Forests, "Statistical Modelling", Vol. 18(5-6), s. 460-482.
• Schauberger G., Groll A., Tutz G. (2016), Modeling Football Results in the German Bundesliga Using Match-specific Covariates, "Ludwig Maximilians Universitat", Technical Reports, No. 197, doi: 10.5282/ubm/epub.29390, s. 1-21.
• Schumaker R.P., Jarmoszko A.T., Labedz Jr C.S. (2016), Predicting Wins and Spread in the Premier League Using a Sentiment Analysis of Twitter, "Decision Support Systems", Vol. 88, s. 76-84.
• Sujatha K., Godhavari T., Bhavani N.P. (2018), Football Match Statistics Prediction Using Artificial Neural Networks, "International Journal of Mathematical and Computational Methods", Vol. 3, s. 1-8.
• Wilkens S. (2020), Sports Prediction and Betting Models in the Machine Learning Age: The Case of Tennis, "Journal of Sports Analytics", (Preprint), s. 1-19.