【數據看球】2018 年世界杯奪冠預測，CDA帶你用機器學習來分析

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，而且還是技術宅，那么你還可以利用機器學習和人工智能這兩個利器。下面讓我們一起預測哪個國家會贏得本次世界杯。

足球比賽涉及到很多因素，因此許多因素無法在機器學習模型中進行探討。這只是我作為技術宅，從數據角度的嘗試。

目標

1. 目標是使用機器學習預測誰將贏得2018年世界杯。

2. 預測世界杯中每場比賽的結果。

3. 對下場比賽進行模擬預測，比如四分之一決賽，半決賽和決賽。

這些目標體現了現實世界中的機器學習預測問題，當中涉及的機器學習任務包括：數據整合，特征建模和結果預測。

數據

我使用了Kaggle的兩個數據集，包括自1930年起所有參賽隊在國際比賽中的結果。

Kaggle數據集鏈接：

(https://www.kaggle.com/martj42/international-football-results-from-1872-to-2017/data)

局限性：

由于國際足聯排名創建于90年代，因此缺乏大部分數據集。在此我們按照歷史比賽記錄分析。

環境和工具： 

jupyter notebook，numpy，pandas，seaborn，matplotlib和scikit-learn。

我們首先要對兩個數據集進行探索性分析，通過特征工程選擇最相關的特征進行預測。之后進行數據處理，選擇機器學習模型，最后將其部署到數據集上。

開始

首先，導入必要的庫并將數據集加載到數據框。

導入庫

加載數據集

通過調用兩個數據集world_cup.head()和results.head()，確保數據集加載到數據框中，如下所示：

探索性分析：

對兩個數據集進行分析后，所得數據集包含過去比賽的數據。新產生的數據集對分析和預測之后的比賽很有用。

在數據科學項目中，確定哪些特征與機器學習模型相關是最耗時的部分。

現在，讓我們在結果數據集中添加凈勝球數和結果列。

查看新的結果數據框。

然后我們將使用數據的子集。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。創建年份列，選擇1930年以后的所有比賽。

現在可以將這些年尼日利亞的比賽結果進行可視化。

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

參賽球隊

對所有參賽球隊創建數據框。

然后進一步過濾數據框，只顯示從1930年起到今年世界杯的球隊，減少重復的球隊。

創建年份列，并刪除1930年之前的比賽，以及不影響比賽結果的列，例如日期、主隊進球數、客隊進球數、錦標賽、城市、國家、凈勝球數和比賽年份。

修改“Y”(預測標簽)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”。

通過設置虛擬變量，將主隊(home_team)和客隊(away _team)從分類變量轉換為連續輸入。

使用 pandas，get_dummies()函數。從而用one-hot(數字“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，并將數據的70%用于訓練，30％用于測試。

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

換句話說，邏輯回歸通過影響結果的數據點(統計數據)對結果進行預測(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“數據集”和比賽的實際結果。然后，模型將學習輸入數據將如何對比賽結果產生積極或消極影響。

讓我們看到最終數據框：

看起來很棒?，F在加入算法：

我們的模型在訓練集上的準確率為57％，測試集的準確率為55％。這并不理想，但讓我們繼續。

現在我們將創建數據框部署模型。

首先，我們將加載截至到2018年4月的國際足聯排名數據集和小組賽階段的數據集。

國際足聯排名：

(https://us.soccerway.com/teams/rankings/fifa/?ICID=TN_03_05_01)

小組賽階段數據：

(https://fixturedownload.com/results/fifa-world-cup-2018)

國際足聯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，根據每個團隊的排名將球隊添加到新的預測數據集中。下一步將創建虛擬變量并部署機器學習模型。

預測比賽

你肯定在想什么時候才能到預測部分。前面代碼和解釋占據了太多的篇幅，現在我們開始預測。

將模型部署到數據集

首先將模型部署到小組賽。

下面是小組賽的結果。

該模型預測了三場平局，并預測西班牙有很高的勝率。我用這個網站預測了小組賽。

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

16強

以下是對16強的預測。

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。

預測結果：

半決賽

葡萄牙vs巴西；德國vs阿根廷

預測結果：

決賽

巴西vs德國

預測結果：巴西獲勝。

根據模型預測，巴西很可能贏得本次世界杯。

結語

研究和改進空間：

1.數據集。為了改進數據集，你可以使用國際足聯數據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，從而提高預測準確率。