Modelo de árbol de decisión para la predicción de juegos de fútbol
DOI:
https://doi.org/10.33448/rsd-v9i9.6869Palabras clave:
Fútbol; Corredor de apuestas; Estadística; Árbol de decisión.Resumen
Después de los avances tecnológicos, el análisis de datos para fines deportivos se ha convertido en una importancia fundamental para la evolución táctica y la obtención de buenos resultados. En el fútbol, el uso de estos análisis ha ido creciendo y trayendo numerosos beneficios, tanto para el desarrollo táctico como para la parte física de los atletas. Además de la colaboración táctica y técnica para el fútbol, las estadísticas también se usan ampliamente en las predicciones, que van desde un tiro penal hasta el resultado final del juego. El objetivo de este trabajo es encontrar un modelo para predecir los resultados de los partidos de fútbol. Mandante (gana el equipo Mandante) Empate o visitante (gana el equipo visitante) utilizando el método del árbol de decisión, donde, después de modelar los datos y analizar la precisión del modelo, se analizó qué casa sería más rentable.
Citas
Afonso, M. S., Barros, S. S., Koth, A. P., Rodrigues, V. L., Neves, F. B., & Lourenção, L. G. (2020). Sports physiotherapy in program of prevention of injury in professional football. Research, Society and Development, 9(3), 72932434.
Albuquerque, M. A., Lucena, S. L. L., & Barros, K. N. N. O. (2020). Comparação de modelo clássico e Bayesiano para dados de óbitos perinatais no ISEA, Campina Grande-PB. Research, Society and Development, 9(8), e464985477-e464985477.
Anderson, C., & Sally, D. (2013). Os números do jogo: porque tudo o que você sabe sobre futebol está errado. São Paulo: Paralela.
Barros, K. N. N. O., Albuquerque, M. A., Gomes, A. S., & Dantas, D. R. G. (2020). Análise de agrupamentos exploratória dos usuários do Programa Multidisciplinar de Tratamento do Tabagismo do HUAC, Campina Grande–PB. Research, Society and Development, 9(8), e825986532-e825986532.
Breiman, L., Friedman, J., Stone, C. J., & Olshen, R. A. (1984). Classification and regression trees. CRC press.
Breiman, L., Friedman, J. H., Olshen, R. A., & Stone, C. J. (1984). Classification and regression trees (Wadsworth, Belmont, CA). ISBN-13, 978-0412048418.
Burman, P. (1989). A comparative study of ordinary cross-validation, v-fold cross-validation and the repeated learning-testing methods. Biometrika, 76(3), 503-514.
Carling, C., Bloomfield, J., Nelsen, L., & Reilly, T. (2008). The role of motion analysis in elite soccer. Sports medicine, 38(10), 839-862.
Grochtmann, M., & Grimm, K. (1993). Classification trees for partition testing. Software Testing, Verification and Reliability, 3(2), 63-82.
Han, J., Pei, J., & Kamber, M. (2011). Data mining: concepts and techniques. Elsevier.
James, G., Witten, D., Hastie, T., & Tibshirani, R. (2013). An introduction to statistical learning. 112, 18. New York: springer.
Loh, W. Y. (2011). Classification and regression trees. Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery, 1(1), 14-23.
Moisen, G. G. (2008). Classification and regression trees. In: Jørgensen, Sven Erik; Fath, Brian D. (Editor-in-Chief). Encyclopedia of Ecology, volume 1. Oxford, UK: Elsevier. 582-588., 582-588.
Monard, M. C., & Baranauskas, J. A. (2003). Indução de regras e árvores de decisão. Sistemas Inteligentes-Fundamentos e Aplicações, 1, 115-139.
Morgan, J. N., & Sonquist, J. A. (1963). Problems in the analysis of survey data, and a proposal. Journal of the American statistical association, 58(302), 415-434.
Oddsshark. O que são odds. 2018. Recuperado de:<https://www.oddsshark.com/br/ como-apostar/o-que-sao-odds>.
Pereira, A. S., Shitsuka, D. M., Parreira, F. J., & Shitsuka, R. (2018). Metodologia da pesquisa científica. [e-book]. Santa Maria. Ed. UAB/NTE/UFSM. Recuperado de https://repositorio.ufsm.br/bitstream/handle/1/15824/Lic_Computacao_Metodologia-Pesquisa-Cientifica.pdf?sequence=1
Rein, R., & Memmert, D. (2016). Big data and tactical analysis in elite soccer: future challenges and opportunities for sports science. SpringerPlus, 5(1), 1-13.
Rokach, L., & Maimon, O. (2005). Top-down induction of decision trees classifiers-a survey. IEEE Transactions on Systems, Man, and Cybernetics, Part C (Applications and Reviews), 35(4), 476-487.
Sehnem, R., & Frozza, R. (2019). Análise de variáveis em partidas de futebol para previsão de resultados. Anais do Salão de Ensino e de Extensão, 217.
Vogado, L. H., Veras, R. M., Araujo, F. H., Silva, R. R., & Aires, K. R. (2019, June). Rede Neural Convolucional para o Diagnóstico de Leucemia. In Anais Principais do XIX Simpósio Brasileiro de Computação Aplicada à Saúde, 46-57.
Weiss, S. M., & Indurkhya, N. (1994). Small sample decision tree pruning. In Machine Learning Proceedings 1994. 335-342. Morgan Kaufmann.
Wilkinson, L. (2004). Classification and regression trees. Systat, 11, 35-56.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2020 Mácio Augusto Albuquerque, Klebe Napoleão N. Oliveira Barros
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Los autores que publican en esta revista concuerdan con los siguientes términos:
1) Los autores mantienen los derechos de autor y conceden a la revista el derecho de primera publicación, con el trabajo simultáneamente licenciado bajo la Licencia Creative Commons Attribution que permite el compartir el trabajo con reconocimiento de la autoría y publicación inicial en esta revista.
2) Los autores tienen autorización para asumir contratos adicionales por separado, para distribución no exclusiva de la versión del trabajo publicada en esta revista (por ejemplo, publicar en repositorio institucional o como capítulo de libro), con reconocimiento de autoría y publicación inicial en esta revista.
3) Los autores tienen permiso y son estimulados a publicar y distribuir su trabajo en línea (por ejemplo, en repositorios institucionales o en su página personal) a cualquier punto antes o durante el proceso editorial, ya que esto puede generar cambios productivos, así como aumentar el impacto y la cita del trabajo publicado.
