段志民 朱盼家

摘 要：盡管足球是目前世界上最受歡迎的體育項(xiàng)目，但相關(guān)研究還沒(méi)有達(dá)到與其他專(zhuān)業(yè)運(yùn)動(dòng)一樣的分析水平。本文將從機(jī)器學(xué)習(xí)角度，基于python語(yǔ)言，利用大數(shù)據(jù)思維模式對(duì)英超聯(lián)賽2015—2016賽季的比賽結(jié)果進(jìn)行預(yù)測(cè)，在對(duì)數(shù)據(jù)進(jìn)行預(yù)處理后，進(jìn)行相應(yīng)的模型評(píng)估，最后將預(yù)測(cè)結(jié)果與傳統(tǒng)建模分析相比較，比較結(jié)果發(fā)現(xiàn)：與傳統(tǒng)模型相比，機(jī)器學(xué)習(xí)算法對(duì)現(xiàn)有足球數(shù)據(jù)的利用并沒(méi)有想象中的那么好（傳統(tǒng)模型精度為55%，機(jī)器學(xué)習(xí)算法精度為45%）?？梢?jiàn)，對(duì)于足球賽事而言，由于賽季數(shù)據(jù)的稀缺性（賽季只有38輪次比賽），傳統(tǒng)模型由于立足于邏輯性建模理念，目前來(lái)說(shuō)還是有一定的可取性。

關(guān)鍵詞：足球賽事勝負(fù)預(yù)測(cè) python 機(jī)器學(xué)習(xí) 模型比較

中圖分類(lèi)號(hào)：G80-32 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2095-2813（2018）11（a）-0191-02

傳統(tǒng)預(yù)測(cè)足球比賽結(jié)果大多數(shù)是基于建立一個(gè)可適用的機(jī)理模型而預(yù)測(cè)比賽結(jié)果，由于一場(chǎng)比賽收集到的數(shù)據(jù)龐大，而傳統(tǒng)的理論模型又無(wú)法完全度量這些變量的重要性程度，預(yù)測(cè)模型和結(jié)果往往會(huì)受到很大的限制，本文選用的模型不同于傳統(tǒng)機(jī)理模型，利用已經(jīng)成熟的機(jī)器學(xué)習(xí)分類(lèi)算法如加強(qiáng)算法對(duì)比賽結(jié)果進(jìn)行分類(lèi)，這種分類(lèi)模型跳出了衡量變量指標(biāo)重要性程度的怪圈，以一種新的角度來(lái)分析思考問(wèn)題。

1 前人相關(guān)工作

Ulmer和Fernandez（2013）通過(guò)研究諸如高斯樸素貝葉斯，隱馬爾可夫模型，多模式樸素貝葉斯，支持向量機(jī)（SVM），隨機(jī)森林（RF）等模型對(duì)從2002賽季到2011賽季10個(gè)賽季的英超冠軍進(jìn)行評(píng)估[1]。Hucaljuk和Rakipovi?（2011）通過(guò)神經(jīng)網(wǎng)絡(luò)算法評(píng)估了歐洲冠軍聯(lián)賽的成績(jī)預(yù)測(cè)，其算法預(yù)測(cè)結(jié)果表明，利用機(jī)器學(xué)習(xí)算法進(jìn)行比賽賽事的預(yù)測(cè)是完全可行的[2-3]。Igiri借助SVM算法（2015）研究了影響英冠比賽成績(jī)有關(guān)的因素[4]。

2 數(shù)據(jù)收集與預(yù)處理

2.1 定義問(wèn)題

對(duì)于本次研究主題，問(wèn)題是如何利用已知的足球數(shù)據(jù)運(yùn)用機(jī)器學(xué)習(xí)算法來(lái)預(yù)測(cè)一場(chǎng)足球的比賽結(jié)果—?jiǎng)倨截?fù)。

接下來(lái)，我們將進(jìn)行數(shù)據(jù)的收集、清洗、數(shù)據(jù)建模和測(cè)試等一系列的流程。

2.2 收集數(shù)據(jù)

本次數(shù)據(jù)集來(lái)源于2015—2016賽季英超聯(lián)賽的所有比賽數(shù)據(jù)，比賽輪次共38輪，場(chǎng)次共380場(chǎng)，其數(shù)據(jù)內(nèi)容為主客場(chǎng)球隊(duì)的編號(hào)（team-api）、比賽時(shí)間、比賽編號(hào)、主客場(chǎng)進(jìn)球數(shù)、比賽結(jié)果、主客場(chǎng)球隊(duì)隊(duì)員信息、陣容及各大博彩公司給出的賠率等92個(gè)屬性，故數(shù)據(jù)框?yàn)?80×92的數(shù)據(jù)。

2.3 清洗數(shù)據(jù)

我們獲取了大部分的所需足球數(shù)據(jù)?，F(xiàn)在我們要對(duì)數(shù)據(jù)進(jìn)行清洗，從而為后續(xù)分析研究打下基礎(chǔ)。清洗數(shù)據(jù)是將“原始”數(shù)據(jù)轉(zhuǎn)化為“可利用”數(shù)據(jù)所需的過(guò)程。數(shù)據(jù)清洗包括數(shù)據(jù)清理以識(shí)別異常，丟失或異常數(shù)據(jù)點(diǎn)等。

將數(shù)據(jù)導(dǎo)入后，我們進(jìn)行數(shù)據(jù)的清洗。

（1）校正異常值：遍覽數(shù)據(jù)，觀察是否存在數(shù)據(jù)的異常值，如進(jìn)球數(shù)是否為負(fù)或超過(guò)10個(gè)。倘若數(shù)據(jù)異常，我們需要格外審視，判斷其是否真實(shí)，后續(xù)的一系列分析都以此為前提而展開(kāi)。

（2）填補(bǔ)缺失值：在主客場(chǎng)球員編號(hào)部分存在一些缺失值，我們需要自行填補(bǔ)。

通過(guò)統(tǒng)計(jì)該球隊(duì)處于該位置的球員編號(hào)來(lái)獲取其眾數(shù)，倘若存在多組相同數(shù)據(jù)（如A球隊(duì)B位置2人同一位置上場(chǎng)次數(shù)相同），我們將考慮距離缺失場(chǎng)次最近的那一場(chǎng)球員編號(hào)。

3 數(shù)據(jù)分析

3.1 劃分?jǐn)?shù)據(jù)集

在機(jī)器學(xué)習(xí)算法中，為了防止模型的過(guò)擬合，我們通常采用將原數(shù)據(jù)集劃分為訓(xùn)練集和測(cè)試集[7]。其中，訓(xùn)練集用于模型的訓(xùn)練和擬合，而測(cè)試集則用于檢驗(yàn)?zāi)Ｐ偷臄M合程度。本次劃分?jǐn)?shù)據(jù)將劃分成兩個(gè)數(shù)據(jù)集：60%訓(xùn)練集和30%測(cè)試集，通過(guò)10次隨機(jī)劃分計(jì)算各次的準(zhǔn)確率后求其平均得到結(jié)果。

3.2 進(jìn)行探索性分析

劃分完數(shù)據(jù)集后，我們將對(duì)訓(xùn)練集進(jìn)行探索性分析，從而對(duì)數(shù)據(jù)有一定層次的認(rèn)識(shí)水平。

我們首先對(duì)主客隊(duì)的進(jìn)球數(shù)和主場(chǎng)勝率期望進(jìn)行統(tǒng)計(jì)。

根據(jù)計(jì)算可知，主場(chǎng)球隊(duì)進(jìn)球數(shù)在0～6之間，均值在1.5左右，大多數(shù)進(jìn)球集中在0～2之間。而客場(chǎng)球隊(duì)進(jìn)球數(shù)在0～6之間，均值在1.2左右，進(jìn)球也多集中在0～2之間。同時(shí)，主場(chǎng)勝率期望總體來(lái)說(shuō)在0.1附近，這表明在比賽中，球隊(duì)的主客場(chǎng)次的確起到一定的作用。

接下來(lái)，我們對(duì)主客場(chǎng)進(jìn)球數(shù)進(jìn)行了統(tǒng)計(jì)，結(jié)果表明，對(duì)于主場(chǎng)球隊(duì)，如果其在本次比賽中進(jìn)球在2球及以上，該球隊(duì)有很大可能獲得比賽的勝利，而客場(chǎng)球隊(duì)想要贏得比賽，則需要2球以上（3球）才能鎖定比賽的勝利，對(duì)于平局，數(shù)據(jù)顯示雙方球隊(duì)倘若各自進(jìn)球粒數(shù)在2球以下的話(huà)，平局的可能性很大，如果雙方進(jìn)球粒數(shù)在1球及以下，本場(chǎng)比賽很大可能以平局結(jié)束。

3.3 建模分析

3.3.1 機(jī)器學(xué)習(xí)算法建模

本次算法模型采用目前行業(yè)中流行的廣義線性模型（GLM算法）、支持向量機(jī)（SVM算法）、最近鄰算法（KNN）、加強(qiáng)算法等22種算法基于python語(yǔ)言進(jìn)行建模分析，并將上述算法對(duì)訓(xùn)練集和測(cè)試集擬合的結(jié)果進(jìn)行比較。結(jié)果表明，隨機(jī)森林算法（Random Forest Classifier）在本次訓(xùn)練集中擬合程度為100%，測(cè)試集的準(zhǔn)確度為45%，算法計(jì)算時(shí)間為0.4s左右，而B(niǎo)agging算法訓(xùn)練集擬合程度為98%，測(cè)試集的準(zhǔn)確度為42%左右，算法計(jì)算時(shí)間為0.06s。

3.3.2 傳統(tǒng)建模分析

通過(guò)機(jī)器學(xué)習(xí)算法和傳統(tǒng)模型的初步比較，我們可以發(fā)現(xiàn)，雖然機(jī)器學(xué)習(xí)算法在很多時(shí)候相比傳統(tǒng)模型都有著顯然的優(yōu)勢(shì)，但對(duì)于足球賽事而言，由于賽季數(shù)據(jù)的稀缺性（賽季只有38輪次比賽），傳統(tǒng)模型由于立足于邏輯性建模理念，目前來(lái)說(shuō)還是有一定的可取性，本次所建立的傳統(tǒng)模型只是最簡(jiǎn)單的一個(gè)模型，就已經(jīng)比目前主流的機(jī)器學(xué)習(xí)算法（隨機(jī)森林等）高出10個(gè)百分比。因而，對(duì)于從事相關(guān)領(lǐng)域的研究者來(lái)說(shuō)，進(jìn)行研究時(shí)選擇模型一定要慎重。

4 結(jié)語(yǔ)

通過(guò)上述對(duì)2015—2016賽季的英超聯(lián)賽的比賽預(yù)測(cè)結(jié)果可以得出：與傳統(tǒng)模型相比，機(jī)器學(xué)習(xí)算法對(duì)現(xiàn)有足球數(shù)據(jù)的利用并沒(méi)有想象中的那么好（傳統(tǒng)模型精度為55%，機(jī)器學(xué)習(xí)算法精度為45%）。可見(jiàn)，對(duì)于足球賽事而言，由于賽季數(shù)據(jù)的稀缺性（賽季只有38輪次比賽），傳統(tǒng)模型由于立足于邏輯性建模理念，目前來(lái)說(shuō)還是有一定的可取性。

參考文獻(xiàn)

[1] B. Ulmer，M. Fernandez.Predicting soccer match results in the English Premier League[D].Stanford，2013.

[2] Hucaljuk J，Rakipovic A.Predicting football scores using machine learning techniques[A].Mipro，2011 Proceedings of the 34th International Convention[C].2011.

[3] Brooks J，Kerr M，Guttag J.Using machine learning to draw inferences from pass location data in soccer[M].John Wiley & Sons Inc，2016.

[4] C.P.Igiri.Support vector machinebased prediction system for a football match result[J].IOSR Journal of Computer Engineering，2015（3）：21-26.

[5] 楊光藝.基于計(jì)量模型與股票市場(chǎng)類(lèi)推博彩市場(chǎng)的若干性質(zhì)[J].中國(guó)集體經(jīng)濟(jì)，2013（7）：159-160.

[6] 方弦.博彩公司的秘密：賠率是這樣煉成的[J].數(shù)學(xué)教學(xué)通訊：數(shù)學(xué)金刊，2012（11）：4-5.

[7] 陳曉梅.機(jī)器學(xué)習(xí)方法用于二氫葉酸還原酶抑制劑的活性預(yù)測(cè)[D].四川大學(xué)，2007.