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

隨著2018年FIFA世界杯開賽在即，世界各地的球迷都渴望知道：誰將奪取夢寐以求的冠軍獎杯？

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器學(xué)習(xí)和人工智能這兩個利器。下面讓我們一起預(yù)測哪個國家會贏得本次世界杯。

足球比賽涉及到很多因素，因此許多因素?zé)o法在機器學(xué)習(xí)模型中進行探討。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)是使用機器學(xué)習(xí)預(yù)測誰將贏得2018年世界杯。

2. 預(yù)測世界杯中每場比賽的結(jié)果。

3. 對下場比賽進行模擬預(yù)測，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)實世界中的機器學(xué)習(xí)預(yù)測問題，當(dāng)中涉及的機器學(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。

數(shù)據(jù)

我使用了Kaggle的兩個數(shù)據(jù)集，包括自1930年起所有參賽隊在國際比賽中的結(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。

我們首先要對兩個數(shù)據(jù)集進行探索性分析，通過特征工程選擇最相關(guān)的特征進行預(yù)測。之后進行數(shù)據(jù)處理，選擇機器學(xué)習(xí)模型，最后將其部署到數(shù)據(jù)集上。

開始

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

導(dǎo)入庫

加載數(shù)據(jù)集

通過調(diào)用兩個數(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：

對兩個數(shù)據(jù)集進行分析后，所得數(shù)據(jù)集包含過去比賽的數(shù)據(jù)。新產(chǎn)生的數(shù)據(jù)集對分析和預(yù)測之后的比賽很有用。

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

現(xiàn)在，讓我們在結(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的特色，并拓展運用到其他參賽球隊。

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)果進行可視化。

每個世界杯參賽球隊的獲勝率是很有用的指標(biāo)，我們可以用它來預(yù)測每場比賽的結(jié)果。其中比賽場地并不重要。

參賽球隊

對所有參賽球隊創(chuàng)建數(shù)據(jù)框。

然后進一步過濾數(shù)據(jù)框，只顯示從1930年起到今年世界杯的球隊，減少重復(fù)的球隊。

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、主隊進球數(shù)、客隊進球數(shù)、錦標(biāo)賽、城市、國家、凈勝球數(shù)和比賽年份。

修改“Y”(預(yù)測標(biāo)簽)以簡化模型處理。

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

通過設(shè)置虛擬變量，將主隊(home_team)和客隊(away _team)從分類變量轉(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”)代替分類列，確保加載到Scikit-learn模式。

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

我們將使用邏輯回歸。通過邏輯函數(shù)估計概率，我可以測量分類因變量和一個或多個自變量之間的關(guān)系。

換句話說，邏輯回歸通過影響結(jié)果的數(shù)據(jù)點(統(tǒng)計數(shù)據(jù))對結(jié)果進行預(yù)測(贏或輸)。

在實際運用中，每次對一場比賽輸入算法，同時提供上述“數(shù)據(jù)集”和比賽的實際結(jié)果。然后，模型將學(xué)習(xí)輸入數(shù)據(jù)將如何對比賽結(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月的國際足聯(lián)排名數(shù)據(jù)集和小組賽階段的數(shù)據(jù)集。

國際足聯(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)

國際足聯(lián)排名較高的球隊將被視為“受歡迎”球隊。由于世界杯中不分“主隊”或“客隊”球隊，他們都將歸屬到“home_teams”列。然后，根據(jù)每個團隊的排名將球隊添加到新的預(yù)測數(shù)據(jù)集中。下一步將創(chuàng)建虛擬變量并部署機器學(xué)習(xí)模型。

預(yù)測比賽

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

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)測了三場平局，并預(yù)測西班牙有很高的勝率。我用這個網(wǎng)站預(yù)測了小組賽。

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

16強

以下是對16強的預(yù)測。

四分之一決賽

四分之一決賽的情況為：

葡萄牙vs法國，巴西vs英格蘭，西班牙vs阿根廷，德國vs比利時。

預(yù)測結(jié)果：

半決賽

葡萄牙vs巴西；德國vs阿根廷

預(yù)測結(jié)果：

決賽

巴西vs德國

預(yù)測結(jié)果：巴西獲勝。

根據(jù)模型預(yù)測，巴西很可能贏得本次世界杯。

結(jié)語

研究和改進空間：

1.數(shù)據(jù)集。為了改進數(shù)據(jù)集，你可以使用國際足聯(lián)數(shù)據(jù)來評估球隊中每個球員的水平。

2.混淆矩陣能夠用于分析模型分析錯誤的情況。

3.我們可以整合更多模型，從而提高預(yù)測準(zhǔn)確率。