Прогнозирование исходов футбольных матчей с использованием алгоритмов машинного обучения с учителем

Прогнозирование футбольных матчей остается сложной задачей для любителей футбола и исследователей по всему миру. Сложность прогнозов обусловлена множеством внутренних факторов, окружающих игру, — подготовленность команды, характер и физическая форма игроков, формат тренировок, фактор дерби, уровень поддержки и т. д. Вариативность внешних событий также нельзя игнорировать; погодные условия, длина и ширина поля, качество и высота травы — все эти факторы можно перечислить как влияющие на исход игры. Хотя компании и агентства собирают огромное количество данных за игру, прогнозирование результатов матчей остается сложной задачей из-за ограниченного объема данных, доступных широкой публике. Целью данной статьи является изучение возможностей применения алгоритмов машинного обучения с учителем для прогнозирования результатов футбольных матчей. Основная новизна этой работы заключается в эксклюзивном наборе данных с более чем 1000 матчей и более чем 1 600 000 событий. Автор анализирует данные о событиях для английской Премьер-лиги за сезоны 2021–2024. Данные событий разделены на 3 выборки, чтобы доказать способность необработанных и неагрегированных данных событий конкурировать с традиционными статистическими и основанными на ранжировании подходами. В работе сравниваются результаты точности прогнозирования исхода матча, полученные с помощью 4 моделей машинного обучения с учителем: логистической регрессии, XGBoost, случайного леса и графовой нейронной сети. Модули обучаются на 3 различных выборках данных событий. Затем точность оценивается с другими моделями, а также сравнивается с результатами лучших современных моделей. Лучшая точность для многоклассовой задачи достигается с использованием модели логистической регрессии на агрегированных данных событий 10-процентной тестовой выборки с точностью 0,63. Для неагрегированных данных событий с дополнительно инженерными признаками логистическая регрессия показывает точность 0,585, в то время как случайный лес и XGBoost получают точность 0,55 и 0,52 соответственно. Графовая нейронная сеть, обученная на координатах футбольных пасов для многоклассовой задачи, показывает точность 0,41, в то время как задача бинарной классификации (исключающая ничьи) дает точность 0,53.