【數(shù)據(jù)看球】2018 年世界杯奪冠預(yù)測(cè)，CDA帶你用機(jī)器學(xué)習(xí)來(lái)分析

隨著2018年FIFA世界杯開(kāi)賽在即，世界各地的球迷都渴望知道：誰(shuí)將奪取夢(mèng)寐以求的冠軍獎(jiǎng)杯？

如果你不僅是一名資深球迷，而且還是技術(shù)宅，那么你還可以利用機(jī)器學(xué)習(xí)和人工智能這兩個(gè)利器。下面讓我們一起預(yù)測(cè)哪個(gè)國(guó)家會(huì)贏得本次世界杯。

足球比賽涉及到很多因素，因此許多因素?zé)o法在機(jī)器學(xué)習(xí)模型中進(jìn)行探討。這只是我作為技術(shù)宅，從數(shù)據(jù)角度的嘗試。

目標(biāo)

1. 目標(biāo)是使用機(jī)器學(xué)習(xí)預(yù)測(cè)誰(shuí)將贏得2018年世界杯。

2. 預(yù)測(cè)世界杯中每場(chǎng)比賽的結(jié)果。

3. 對(duì)下場(chǎng)比賽進(jìn)行模擬預(yù)測(cè)，比如四分之一決賽，半決賽和決賽。

這些目標(biāo)體現(xiàn)了現(xiàn)實(shí)世界中的機(jī)器學(xué)習(xí)預(yù)測(cè)問(wèn)題，當(dāng)中涉及的機(jī)器學(xué)習(xí)任務(wù)包括：數(shù)據(jù)整合，特征建模和結(jié)果預(yù)測(cè)。

數(shù)據(jù)

我使用了Kaggle的兩個(gè)數(shù)據(jù)集，包括自1930年起所有參賽隊(duì)在國(guó)際比賽中的結(jié)果。

Kaggle數(shù)據(jù)集鏈接：

(https://www.kaggle.com/martj42/international-football-results-from-1872-to-2017/data)

局限性：

由于國(guó)際足聯(lián)排名創(chuàng)建于90年代，因此缺乏大部分?jǐn)?shù)據(jù)集。在此我們按照歷史比賽記錄分析。

環(huán)境和工具： 

jupyter notebook，numpy，pandas，seaborn，matplotlib和scikit-learn。

我們首先要對(duì)兩個(gè)數(shù)據(jù)集進(jìn)行探索性分析，通過(guò)特征工程選擇最相關(guān)的特征進(jìn)行預(yù)測(cè)。之后進(jìn)行數(shù)據(jù)處理，選擇機(jī)器學(xué)習(xí)模型，最后將其部署到數(shù)據(jù)集上。

開(kāi)始

首先，導(dǎo)入必要的庫(kù)并將數(shù)據(jù)集加載到數(shù)據(jù)框。

導(dǎo)入庫(kù)

加載數(shù)據(jù)集

通過(guò)調(diào)用兩個(gè)數(shù)據(jù)集world_cup.head()和results.head()，確保數(shù)據(jù)集加載到數(shù)據(jù)框中，如下所示：

探索性分析：

對(duì)兩個(gè)數(shù)據(jù)集進(jìn)行分析后，所得數(shù)據(jù)集包含過(guò)去比賽的數(shù)據(jù)。新產(chǎn)生的數(shù)據(jù)集對(duì)分析和預(yù)測(cè)之后的比賽很有用。

在數(shù)據(jù)科學(xué)項(xiàng)目中，確定哪些特征與機(jī)器學(xué)習(xí)模型相關(guān)是最耗時(shí)的部分。

現(xiàn)在，讓我們?cè)诮Y(jié)果數(shù)據(jù)集中添加凈勝球數(shù)和結(jié)果列。

查看新的結(jié)果數(shù)據(jù)框。

然后我們將使用數(shù)據(jù)的子集。其中包括只有尼日利亞參加的比賽。這將有助于我們了解某支球隊(duì)的特色，并拓展運(yùn)用到其他參賽球隊(duì)。

第一屆世界杯于1930年舉辦。創(chuàng)建年份列，選擇1930年以后的所有比賽。

現(xiàn)在可以將這些年尼日利亞的比賽結(jié)果進(jìn)行可視化。

每個(gè)世界杯參賽球隊(duì)的獲勝率是很有用的指標(biāo)，我們可以用它來(lái)預(yù)測(cè)每場(chǎng)比賽的結(jié)果。其中比賽場(chǎng)地并不重要。

參賽球隊(duì)

對(duì)所有參賽球隊(duì)創(chuàng)建數(shù)據(jù)框。

然后進(jìn)一步過(guò)濾數(shù)據(jù)框，只顯示從1930年起到今年世界杯的球隊(duì)，減少重復(fù)的球隊(duì)。

創(chuàng)建年份列，并刪除1930年之前的比賽，以及不影響比賽結(jié)果的列，例如日期、主隊(duì)進(jìn)球數(shù)、客隊(duì)進(jìn)球數(shù)、錦標(biāo)賽、城市、國(guó)家、凈勝球數(shù)和比賽年份。

修改“Y”(預(yù)測(cè)標(biāo)簽)以簡(jiǎn)化模型處理。

如果主隊(duì)獲勝，獲勝隊(duì)(winner_team)列將顯示“2”，如果是平局則顯示“1”，如果客隊(duì)獲勝則顯示“0”。

通過(guò)設(shè)置虛擬變量，將主隊(duì)(home_team)和客隊(duì)(away _team)從分類(lèi)變量轉(zhuǎn)換為連續(xù)輸入。

使用 pandas，get_dummies()函數(shù)。從而用one-hot(數(shù)字“1”和“0”)代替分類(lèi)列，確保加載到Scikit-learn模式。

然后，我們將X和Y集分開(kāi)，并將數(shù)據(jù)的70%用于訓(xùn)練，30％用于測(cè)試。

我們將使用邏輯回歸。通過(guò)邏輯函數(shù)估計(jì)概率，我可以測(cè)量分類(lèi)因變量和一個(gè)或多個(gè)自變量之間的關(guān)系。

換句話說(shuō)，邏輯回歸通過(guò)影響結(jié)果的數(shù)據(jù)點(diǎn)(統(tǒng)計(jì)數(shù)據(jù))對(duì)結(jié)果進(jìn)行預(yù)測(cè)(贏或輸)。

在實(shí)際運(yùn)用中，每次對(duì)一場(chǎng)比賽輸入算法，同時(shí)提供上述“數(shù)據(jù)集”和比賽的實(shí)際結(jié)果。然后，模型將學(xué)習(xí)輸入數(shù)據(jù)將如何對(duì)比賽結(jié)果產(chǎn)生積極或消極影響。

讓我們看到最終數(shù)據(jù)框：

看起來(lái)很棒?，F(xiàn)在加入算法：

我們的模型在訓(xùn)練集上的準(zhǔn)確率為57％，測(cè)試集的準(zhǔn)確率為55％。這并不理想，但讓我們繼續(xù)。

現(xiàn)在我們將創(chuàng)建數(shù)據(jù)框部署模型。

首先，我們將加載截至到2018年4月的國(guó)際足聯(lián)排名數(shù)據(jù)集和小組賽階段的數(shù)據(jù)集。

國(guó)際足聯(lián)排名：

(https://us.soccerway.com/teams/rankings/fifa/?ICID=TN_03_05_01)

小組賽階段數(shù)據(jù)：

(https://fixturedownload.com/results/fifa-world-cup-2018)

國(guó)際足聯(lián)排名較高的球隊(duì)將被視為“受歡迎”球隊(duì)。由于世界杯中不分“主隊(duì)”或“客隊(duì)”球隊(duì)，他們都將歸屬到“home_teams”列。然后，根據(jù)每個(gè)團(tuán)隊(duì)的排名將球隊(duì)添加到新的預(yù)測(cè)數(shù)據(jù)集中。下一步將創(chuàng)建虛擬變量并部署機(jī)器學(xué)習(xí)模型。

預(yù)測(cè)比賽

你肯定在想什么時(shí)候才能到預(yù)測(cè)部分。前面代碼和解釋占據(jù)了太多的篇幅，現(xiàn)在我們開(kāi)始預(yù)測(cè)。

將模型部署到數(shù)據(jù)集

首先將模型部署到小組賽。

下面是小組賽的結(jié)果。

該模型預(yù)測(cè)了三場(chǎng)平局，并預(yù)測(cè)西班牙有很高的勝率。我用這個(gè)網(wǎng)站預(yù)測(cè)了小組賽。

(https://ultra.zone/2018-FIFA-World-Cup-Group-Stage)

16強(qiáng)

以下是對(duì)16強(qiáng)的預(yù)測(cè)。

四分之一決賽

四分之一決賽的情況為：

葡萄牙vs法國(guó)，巴西vs英格蘭，西班牙vs阿根廷，德國(guó)vs比利時(shí)。

預(yù)測(cè)結(jié)果：

半決賽

葡萄牙vs巴西；德國(guó)vs阿根廷

預(yù)測(cè)結(jié)果：

決賽

巴西vs德國(guó)

預(yù)測(cè)結(jié)果：巴西獲勝。

根據(jù)模型預(yù)測(cè)，巴西很可能贏得本次世界杯。

結(jié)語(yǔ)

研究和改進(jìn)空間：

1.數(shù)據(jù)集。為了改進(jìn)數(shù)據(jù)集，你可以使用國(guó)際足聯(lián)數(shù)據(jù)來(lái)評(píng)估球隊(duì)中每個(gè)球員的水平。

2.混淆矩陣能夠用于分析模型分析錯(cuò)誤的情況。

3.我們可以整合更多模型，從而提高預(yù)測(cè)準(zhǔn)確率。