集成学习驱动的中国足球超级联赛预测模型研究

【作者】 张绍良； 杨半伴； 陈磊；

【机构】 清华大学；

【摘要】 研究目的:近年来,足球运动表现分析已经从描述性分析转向预测性分析,使用机器学习和深度学习算法基于过去的数据预测未来的结果。这些方法可以使球队和运动表现分析师做出数据驱动的决策并制定提高运动表现的策略。然而,许多应用在足球科学中的机器学习模型缺乏可解释性,这使得它们难以有效应用。这种缺乏透明度可能会限制它们对足球分析师的有用性,因为这些模型如何得出预测结果并不总是清楚的。幸运的是,可解释人工智能可以帮助解决这个问题。通过使用可解释的机器学习模型,分析师可以获得模型如何做出预测的洞见,这可以带来更好地了解球员和球队的运动表现,帮助分析师做出更明智的决策。在足球表现分析方面,可解释人工智能的应用潜力巨大,因为它可以带来更准确和透明的模型。通过结合机器学习和可解释人工智能,分析师可以为足球运动表现分析开发更加有效的模型。在这个背景下,本研究的目的是开发和验证可解释的集成学习模型,以预测足球比赛的成功,并探索与职业足球的最终成功相关的关键因素。研究方法:为了达到这个目的,我们将收集中国足球超级联赛2012-2019的比赛数据,包括技术指标、体能指标和情境指标等方面的数据。具体而言,技术变量包括射门、空中争顶获胜、地面争抢获胜、越位、传中准确率、角球、抢断获胜、抢断、黄牌、犯规、传球、地面争抢、控球率、空中争抢、前场传球、前场传球准确率、红牌和传中;体能变量包括总距离、低速跑步距离、中速跑步距离、高速奔跑次数、高速奔跑距离、高强度奔跑次数、高强度奔跑距离、冲刺次数和冲刺距离;情境变量包括以下几个方面:(1)比赛地点:主场和客场;(2)球队实力:联赛排名前八名为强队,联赛排名后八名为弱队;(3)对手实力:联赛排名前八名为强队,联赛排名后八名为弱队;(4)比赛结果:胜利和未胜利(例如平局和输球)。本研究首先采用LASSO回归分析来减小高维度数据并获得预测子集。LASSO方法被用来分析数据以选择最优预测子集并消除无意义变量,从而避免过拟合。使用10次K折交叉验证来集中和标准化变量并选择最佳lambda值。最终,LASSO方法有效地筛选出了非零系数的特征进入接下来的分析。然后,数据被随机分为两部分,即80%的数据用于训练预测模型,剩余的20%用于模型验证。接下来,我们采用了五个集成机器学习模型进行训练,分别是随机森林(RF)、轻量梯度提升机(LightGBM)、类别提升(Catboost)、梯度提升决策树(GBDT)和极端梯度提升(XGBoost)。由于集成学习模型探讨的最终比赛结果是二元分类,因此我们采用准确率、召回率、F1得分、精确率和AUC等指标来评估模型。具体而言,(1)准确率衡量所有受试者中的正确预测、真正和真负的比例,更高的准确率意味着更好的模型性能。(2)召回率表示所有实际正例中真正例的比例,较高的召回率意味着模型正确识别了更多的正例。(3)F1得分是精确率和召回率的调和平均值,提供了两个度量的平衡度量,特别是在类分布不均匀时非常有用。(4)精确率衡量所有正面预测中真正例的比例,更高的精确率意味着模型产生的真正例比假正例更多。(5)AUC(曲线下面积)通过绘制所有可能的截断点的敏感性和特异性进行衡量,测量模型的整体区分能力,更高的AUC表示更好的模型性能。这些指标共同提供了二元分类模型的全面评估,使我们能够更好地了解其优势和局限性,最终经过综合比对我们将选出最佳模型。基于最优模型我们将使用可解释的机器学习方法(SHAP),来解释模型的预测结果,并探索哪些因素对于预测比赛结果至关重要。这项研究的结果可以帮助足球俱乐部和教练员更好地理解球员和团队的表现,并为他们制定更有效的战术和训练计划提供有价值的见解。研究结果和结论:类别提升(Catboost)相比较其余的四个集成学习模型随机森林(RF)、轻量梯度提升机(LightGBM)、梯度提升决策树(GBDT)和极端梯度提升(XGBoost)有更高的预测能力和泛化能力,其预测比赛结果的准确性达到了85.8%。此外,我们的研究发现对手实力、比赛地点、射门和冲刺跑覆盖距离,与比赛成功有积极关联,而传中对比赛结果有负面影响。应用可解释的集成学习可以为教练和运动分析师提供明确的计划,以优化比赛策略。通过考虑这些发现,球队可以改善他们的表现,并增加在场上取得成功的机会。总的来说,虽然我们的研究强调了可解释的机器学习在足球科学中的潜力,重要的是要考虑在足球中使用可解释集成学习的实用性,特别是SHapley Additive exPlanations(SHAP)可解释机器学习方法。教练和运动表现分析师应该参与讨论,以更好地理解这些方法的潜在好处和局限性,以及如何将它们整合到足球实践中。更多还原