Python este unul dintre cele mai versatile limbaje de programare existente și, de-a lungul anilor, a devenit cel mai popular limbaj de programare pentru construirea diverselor aplicații de învățare automată. Un element cheie al unor astfel de aplicații este adesea efectuarea unui fel de predicție pe baza datelor disponibile pentru prelucrare, potrivit KDnuggets.
În acest articol, vom încerca, cu ajutorul programării Python, să prezicem rezultatele unui meci de fotbal. Deoarece această problemă implică un anumit nivel de incertitudine, programarea Python ar putea fi cea mai bună opțiune pentru a o rezolva.
Ca orice alt sport, fotbalul implică multiple elemente de imprevizibil. Într-un astfel de scenariu, prezicerea câștigătorilor meciurilor de fotbal este o provocare. Cu toate acestea, chiar dacă nu putem cunoaște în prealabil evenimentele unui anumit meci, putem cunoaște evenimentele care au avut loc în meciurile anterioare.
Aceste date devin elementul cheie în realizarea unei predicții de succes atunci când este necesar. Aceasta este baza unei probleme de știință a datelor, studiind statisticile datelor din trecut pentru a prezice un viitor probabil.
Astfel, în această problemă, ne vom baza rezultatele pe datele derivate din potrivirile anterioare. Vom efectua un studiu statistic pe baza datelor anterioare și vom prezice cel mai probabil câștigător într-un meci de fotbal.
Pentru a face acest lucru, vom folosi învățarea automată supravegheată pentru a construi un algoritm pentru detectarea utilizând programarea Python.
1. Web-scraping
Web-scraping este metoda de extragere a datelor relevante pentru cantități uriașe de date disponibile pe diferite site-uri web.
Datele care urmează să fie extrase sunt în mare parte nestructurate și în format HTML într-o manieră care le transformă în date structurate și sub forma unei liste ușor accesibile pentru procesarea ulterioară a aplicațiilor.
Pentru ca web-scrapingul să fie efectuat cu succes, trebuie să ne restrângem căutarea la un site care conține date despre meciurile de fotbal în special.
Odată ce este remediat, vom folosi adresa URL a site-ului web pentru a obține în principal acces la scriptul HTML al paginii.
Folosind acest cod HTML, scraper-ul îl va converti în formatul de ieșire necesar. În acest caz, au fost folosite datele disponibile pe site-ul FBref.com.
2. Pre-procesarea datelor
Este crucial ca datele să fie procesate înainte de a rula modele reale de detectare. Pașii includ crearea unei variabile pentru a stoca valoarea medie a scorurilor câștigate în meciurile anterioare.
Acest lucru se datorează faptului că detectarea poate fi făcută numai pe datele care sunt deja disponibile, deoarece nu avem acces la nicio dată viitoare.
Vom calcula media pentru diferitele variabile stocând informații despre meciurile sezonului. Împreună cu aceasta, vom stoca și mediile mobile pentru diverse alte variabile.
Scorurile pentru o echipă au fost însumate cu fiecare victorie cuantificată ca 3, un punct de egalitate ca 2 și o înfrângere ca 1. Aceste valori au fost folosite pentru a însuma toate scorurile unei echipe în ultimele meciuri.
3. Implementarea modelelor de predicție
Pentru a realiza detectarea efectivă, putem folosi diferite tipuri de modele de predicție.
Un astfel de model ar fi Poisson Distribution, care este un algoritm de predicție care este utilizat pentru a detecta cât de probabil este un eveniment prin definirea probabilității într-un interval fix și având o rată medie constantă.
Un alt algoritm este Suport Vector Machine și se bazează pe învățarea automată supravegheată. Este utilizat în principal pentru probleme de clasificare.
Al treilea astfel de agortim poate fi K-Nearest Neighbours sau KNN, care se bazează și pe învățarea automată supravegheată și efectuează clasificarea datelor cu ajutorul etichetelor de clasă. Practic, clasele sunt etichetate pentru a crea o separare.
Fiecare entitate de date care aparține aceluiași tip are aceeași etichetă de clasă. Pentru cazurile de regresie, predicția se face luând media celor mai apropiați „K” vecini.
În al patrulea rând, regresia logistică – un model liniar pentru probleme de clasificare binară – poate fi folosită pentru a face predicții despre cât de probabil este un eveniment.
În cazul unei regresii logistice, variabila dependentă este mărginită în intervalul între 0 și 1. Acesta este motivul pentru care funcționează bine pentru probleme de clasificare binară, cum ar fi un scenariu de câștig sau pierdere pentru un meci de fotbal.
4. Evaluarea rezultatelor
Pentru a evalua rezultatele obținute prin utilizarea diferitelor modele, putem folosi indicatori pentru a vedea care model a funcționat mai bine.
În acest caz, am putea calcula acuratețea pentru a determina calitatea performanței modelelor, iar pentru asta trebuie să comparăm rezultatele prezise cu rezultatele reale. Acesta este modul în care putem verifica ce model face o predicție care este cel mai apropiată de rezultatul real.
