不同模型預(yù)測足球賽事的比較

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目，但相關(guān)研究還沒有達到與其他專業(yè)運動一樣的分析水平。本文將從機器學習角度，基于python語言，利用大數(shù)據(jù)思維模式對英超聯(lián)賽2015—2016賽季的比賽結(jié)果進行預(yù)測，在對數(shù)據(jù)進行預(yù)處理后，進行相應(yīng)的模型評估，最后將預(yù)測結(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，機器學習算法對現(xiàn)有足球數(shù)據(jù)的利用并沒有想象中的那么好（傳統(tǒng)模型精度為55%，機器學習算法精度為45%）。可見，對于足球賽事而言，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，目前來說還是有一定的可取性。

關(guān)鍵詞：足球賽事勝負預(yù)測 python 機器學習 模型比較

中圖分類號：G80-32 文獻標識碼：A 文章編號：2095-2813（2018）11（a）-0191-02

傳統(tǒng)預(yù)測足球比賽結(jié)果大多數(shù)是基于建立一個可適用的機理模型而預(yù)測比賽結(jié)果，由于一場比賽收集到的數(shù)據(jù)龐大，而傳統(tǒng)的理論模型又無法完全度量這些變量的重要性程度，預(yù)測模型和結(jié)果往往會受到很大的限制，本文選用的模型不同于傳統(tǒng)機理模型，利用已經(jīng)成熟的機器學習分類算法如加強算法對比賽結(jié)果進行分類，這種分類模型跳出了衡量變量指標重要性程度的怪圈，以一種新的角度來分析思考問題。

1 前人相關(guān)工作

Ulmer和Fernandez（2013）通過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（SVM），隨機森林（RF）等模型對從2002賽季到2011賽季10個賽季的英超冠軍進行評估[1]。Hucaljuk和Rakipovi?（2011）通過神經(jīng)網(wǎng)絡(luò)算法評估了歐洲冠軍聯(lián)賽的成績預(yù)測，其算法預(yù)測結(jié)果表明，利用機器學習算法進行比賽賽事的預(yù)測是完全可行的[2-3]。Igiri借助SVM算法（2015）研究了影響英冠比賽成績有關(guān)的因素[4]。

2 數(shù)據(jù)收集與預(yù)處理

2.1 定義問題

對于本次研究主題，問題是如何利用已知的足球數(shù)據(jù)運用機器學習算法來預(yù)測一場足球的比賽結(jié)果—勝平負。

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

2.2 收集數(shù)據(jù)

本次數(shù)據(jù)集來源于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，場次共380場，其數(shù)據(jù)內(nèi)容為主客場球隊的編號（team-api）、比賽時間、比賽編號、主客場進球數(shù)、比賽結(jié)果、主客場球隊隊員信息、陣容及各大博彩公司給出的賠率等92個屬性，故數(shù)據(jù)框為380×92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)。現(xiàn)在我們要對數(shù)據(jù)進行清洗，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)所需的過程。數(shù)據(jù)清洗包括數(shù)據(jù)清理以識別異常，丟失或異常數(shù)據(jù)點等。

將數(shù)據(jù)導(dǎo)入后，我們進行數(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，如進球數(shù)是否為負或超過10個。倘若數(shù)據(jù)異常，我們需要格外審視，判斷其是否真實，后續(xù)的一系列分析都以此為前提而展開。

（2）填補缺失值：在主客場球員編號部分存在一些缺失值，我們需要自行填補。

通過統(tǒng)計該球隊處于該位置的球員編號來獲取其眾數(shù)，倘若存在多組相同數(shù)據(jù)（如A球隊B位置2人同一位置上場次數(shù)相同），我們將考慮距離缺失場次最近的那一場球員編號。

3 數(shù)據(jù)分析

3.1 劃分數(shù)據(jù)集

在機器學習算法中，為了防止模型的過擬合，我們通常采用將原數(shù)據(jù)集劃分為訓(xùn)練集和測試集[7]。其中，訓(xùn)練集用于模型的訓(xùn)練和擬合，而測試集則用于檢驗?zāi)Ｐ偷臄M合程度。本次劃分數(shù)據(jù)將劃分成兩個數(shù)據(jù)集：60%訓(xùn)練集和30%測試集，通過10次隨機劃分計算各次的準確率后求其平均得到結(jié)果。

3.2 進行探索性分析

劃分完數(shù)據(jù)集后，我們將對訓(xùn)練集進行探索性分析，從而對數(shù)據(jù)有一定層次的認識水平。

我們首先對主客隊的進球數(shù)和主場勝率期望進行統(tǒng)計。

根據(jù)計算可知，主場球隊進球數(shù)在0～6之間，均值在1.5左右，大多數(shù)進球集中在0～2之間。而客場球隊進球數(shù)在0～6之間，均值在1.2左右，進球也多集中在0～2之間。同時，主場勝率期望總體來說在0.1附近，這表明在比賽中，球隊的主客場次的確起到一定的作用。

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

3.3 建模分析

3.3.1 機器學習算法建模

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（SVM算法）、最近鄰算法（KNN）、加強算法等22種算法基于python語言進行建模分析，并將上述算法對訓(xùn)練集和測試集擬合的結(jié)果進行比較。結(jié)果表明，隨機森林算法（Random Forest Classifier）在本次訓(xùn)練集中擬合程度為100%，測試集的準確度為45%，算法計算時間為0.4s左右，而Bagging算法訓(xùn)練集擬合程度為98%，測試集的準確度為42%左右，算法計算時間為0.06s。

3.3.2 傳統(tǒng)建模分析

通過機器學習算法和傳統(tǒng)模型的初步比較，我們可以發(fā)現(xiàn)，雖然機器學習算法在很多時候相比傳統(tǒng)模型都有著顯然的優(yōu)勢，但對于足球賽事而言，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，目前來說還是有一定的可取性，本次所建立的傳統(tǒng)模型只是最簡單的一個模型，就已經(jīng)比目前主流的機器學習算法（隨機森林等）高出10個百分比。因而，對于從事相關(guān)領(lǐng)域的研究者來說，進行研究時選擇模型一定要慎重。

4 結(jié)語

通過上述對2015—2016賽季的英超聯(lián)賽的比賽預(yù)測結(jié)果可以得出：與傳統(tǒng)模型相比，機器學習算法對現(xiàn)有足球數(shù)據(jù)的利用并沒有想象中的那么好（傳統(tǒng)模型精度為55%，機器學習算法精度為45%）。可見，對于足球賽事而言，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，目前來說還是有一定的可取性。

參考文獻

[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.基于計量模型與股票市場類推博彩市場的若干性質(zhì)[J].中國集體經(jīng)濟，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)學教學通訊：數(shù)學金刊，2012（11）：4-5.

[7] 陳曉梅.機器學習方法用于二氫葉酸還原酶抑制劑的活性預(yù)測[D].四川大學，2007.