التنبؤ بنتائج كرة القدم

نموذج للتعلم الآلي في بيثون يستخدم مكتبة Scikit-learn للتنبؤ بنتائج مباريات كرة القدم في الدوري الروسي الممتاز (RPL).

دخول

استلهمت من كتابة هذا المقال من خلال مقالة " التعلم الآلي": التنبؤ برياضيات اللغة الإنجليزية لعام 2018 . سيتدرب نموذج التعلم الآلي لدينا على إحصائيات مباريات الدوري الروسي الممتاز (RPL) بدءًا من موسم 2015/2016 للتنبؤ بنتائج الألعاب القادمة. البيانات مأخوذة من موقع wyscout.com لإحصائيات كرة القدم.
رمز والبيانات المتاحة على جيثب .

معطيات

نحن نربط المكتبات الضرورية:

import pandas as pd import numpy as np import collections 

بيانات المطابقة على جيثب .

 data = pd.read_csv("RPL.csv", encoding = 'cp1251', delimiter=';') data.head() 

سنتوقع نتائج المباريات للجزء الثاني من موسم 2018/2019 (أي المباريات التي لعبت في 2019). قائمة الفرق التي تلعب هذا الموسم (مع عدم مراعاة آرسنال ، أورينبورغ ، ودينامو ، وكريليا سوفيتوف ، وينيسي ، إما أنهم لا يملكون إحصائيات عن المواسم الماضية ، أو أن هناك إحصاءات قليلة عنهم):

 RPL_2018_2019 = pd.read_csv('Team Name 2018 2019.csv', encoding = 'cp1251') teamList = RPL_2018_2019['Team Name'].tolist() teamList 

نزيل المباريات مع الفرق التي لا تشارك في موسم 2018/2019:

 deleteTeam = [x for x in pd.unique(data['']) if x not in teamList] for name in deleteTeam: data = data[data[''] != name] data = data[data[''] != name] data = data.reset_index(drop=True) 

الوظيفة التي ترجع إحصائيات الفريق لموسم واحد:

 def GetSeasonTeamStat(team, season): goalScored = 0 #  goalAllowed = 0 #  gameWin = 0 # gameDraw = 0 # gameLost = 0 # totalScore = 0 #   matches = 0 #   xG = 0 #  shot = 0 # shotOnTarget = 0 #   cross = 0 # accurateCross = 0 #  totalHandle = 0 #  averageHandle = 0 #     Pass = 0 # accuratePass = 0 #  PPDA = 0 #    for i in range(len(data)): if (((data[''][i] == season) and (data[''][i] == team) and (data[''][i] == 2)) or ((data[''][i] == season-1) and (data[''][i] == team) and (data[''][i] == 1))): matches += 1 goalScored += data[''][i] goalAllowed += data[''][i] if (data[''][i] > data[''][i]): totalScore += 3 gameWin += 1 elif (data[''][i] < data[''][i]): gameLost +=1 else: totalScore += 1 gameDraw += 1 xG += data['xG'][i] shot += data[''][i] shotOnTarget += data['  '][i] Pass += data[''][i] accuratePass += data[' '][i] totalHandle += data[''][i] cross += data[''][i] accurateCross += data[' '][i] PPDA += data['PPDA'][i] averageHandle = round(totalHandle/matches, 3) #      return [gameWin, gameDraw, gameLost, goalScored, goalAllowed, totalScore, round(xG, 3), round(PPDA, 3), shot, shotOnTarget, Pass, accuratePass, cross, accurateCross, round(averageHandle, 3)] 

مثال على استخدام الوظيفة:

 GetSeasonTeamStat("", 2018) #    2017/2018 

للراحة ، يمكننا إضافة الرمز:

 returnNames = ["", "", "", "\n ", " ", "\n ", "\nxG ( )", "PPDA ( )", "\n", "  ", "\n", " ", "\n", " ", "\n (   )"] for i, n in zip(returnNames, GetSeasonTeamStat("", 2018)): print(i, n) 

الوظيفة التي ستعيد إحصائيات جميع الفرق لهذا الموسم:

 def GetSeasonAllTeamStat(season): annual = collections.defaultdict(list) for team in teamList: team_vector = GetSeasonTeamStat(team, season) annual[team] = team_vector return annual 

التدريب النموذجي

سنكتب وظيفة ستعيد بيانات التدريب. انها تخلق قاموس مع ناقلات فريق لجميع الفصول. لكل لعبة ، تقوم الدالة بحساب الفرق بين متجهات الفرق لموسم معين وتكتبها إلى xTrain. تقوم الوظيفة بعد ذلك بتعيين yTrain على 1 في حالة فوز الفريق المضيف و 0 خلاف ذلك.

 def GetTrainingData(seasons): totalNumGames = 0 for season in seasons: annual = data[data[''] == season] totalNumGames += len(annual.index) numFeatures = len(GetSeasonTeamStat('', 2016)) #     xTrain = np.zeros(( totalNumGames, numFeatures)) yTrain = np.zeros(( totalNumGames )) indexCounter = 0 for season in seasons: team_vectors = GetSeasonAllTeamStat(season) annual = data[data[''] == season] numGamesInYear = len(annual.index) xTrainAnnual = np.zeros(( numGamesInYear, numFeatures)) yTrainAnnual = np.zeros(( numGamesInYear )) counter = 0 for index, row in annual.iterrows(): team = row[''] t_vector = team_vectors[team] rivals = row[''] r_vector = team_vectors[rivals] diff = [a - b for a, b in zip(t_vector, r_vector)] if len(diff) != 0: xTrainAnnual[counter] = diff if team == row['']: yTrainAnnual[counter] = 1 else: yTrainAnnual[counter] = 0 counter += 1 xTrain[indexCounter:numGamesInYear+indexCounter] = xTrainAnnual yTrain[indexCounter:numGamesInYear+indexCounter] = yTrainAnnual indexCounter += numGamesInYear return xTrain, yTrain 

نتعلم بيانات التدريب لجميع الفصول من 2015/2016 إلى 2018/2019.

 years = range(2016,2019) xTrain, yTrain = GetTrainingData(years) 

للتنبؤ باحتمال الفوز ، سوف نستخدم خوارزمية التعلم الآلي LinearRegression من مكتبة Scikit-Learn.

 from sklearn.linear_model import LinearRegression model = LinearRegression() model.fit(xTrain, yTrain) 

سنكتب وظيفة ستعود بالتوقعات. ستقوم بإرجاع قيمة بين 0 و 1 ، حيث 0 هي الخسارة و 1 هي الربح.

 def createGamePrediction(team1_vector, team2_vector): diff = [[a - b for a, b in zip(team1_vector, team2_vector)]] predictions = model.predict(diff) return predictions 

النتائج

على سبيل المثال ، دعونا نلقي نظرة على توقعات الخوارزمية لمباراة Zenit - Spartak

 team1_name = "" team2_name = "" team1_vector = GetSeasonTeamStat(team1_name, 2019) team2_vector = GetSeasonTeamStat(team2_name, 2019) print (',   ' + team1_name + ':', createGamePrediction(team1_vector, team2_vector)) print (',   ' + team2_name + ':', createGamePrediction(team2_vector, team1_vector)) 

اتضح أنه في مباراة زينيت - سبارتاك ، فإن احتمال فوز زينيت هو 47 ٪ (03/17/2019 سبارتاك 1-1 زينيت).

أقترح إجراء تنبؤ في ضوء ما يلي:
ما يصل إلى 40 ٪ - الفريق لن يفوز (الخسارة أو التعادل)
من 40 ٪ إلى 60 ٪ - احتمال كبير من التعادل
من 60٪ - بالتأكيد لن يخسر الفريق (الفوز أو السحب)

اشتقاق التوقعات لـ CSKA ضد جميع الأندية الأخرى

 for team_name in teamList: team1_name = "" team2_name = team_name if(team1_name != team2_name): team1_vector = GetSeasonTeamStat(team1_name, 2019) team2_vector = GetSeasonTeamStat(team2_name, 2019) print(team1_name, createGamePrediction(team1_vector, team2_vector), " - ", team2_name, createGamePrediction(team2_vector, team1_vector,)) 

أعطت الخوارزمية تنبؤًا صحيحًا تقريبًا لجميع المباريات التي لم تنتهي بالتعادل. التوقعات غير الدقيقة الوحيدة: سسكا موسكو - زينيت. احتمال فوز سسكا أعلى بنسبة 0.001 ، يمكن افتراض أن الفرق متساوية في القوة وستلعب في تعادل ، ولكن في النهاية فاز زينيت (3-1).

استنتاج

خوارزمية لدينا بدائية للغاية. يأخذ في الاعتبار فقط إحصائيات المباريات (ثم فقط 15 معلمة أساسية) ، والنتيجة في كرة القدم تعتمد على العديد من العوامل. حتى حالة الحقل أو الطقس يمكن أن تؤثر على نتيجة اللعبة.

بعد ذلك ، أود زيادة عدد العلامات وإنشاء عينة اختبار وتجربة العديد من الخوارزميات وتكوين النموذج والحصول على أدق التوقعات.

سأكون ممتنا لو تركت أفكارك وتعليقاتك.