Jalkapallosarjan data-analyysi sekä luokittelumallien kehittäminen

Abstract

Jalkapallon analytiikka ja koneoppiminen ovat viime vuosina vakiintuneet keskeisiksi menetelmiksi joukkueiden suorituskyvyn arvioinnissa sekä ottelutulosten ennustamisessa. Data-analyysin avulla on pyritty löytämään säännönmukaisuuksia ja tekijöitä, jotka vaikuttavat otteluiden lopputuloksiin. Ennus-tamisen haasteena on kuitenkin pelin luontainen satunnaisuus ja moniulotteisuus, mikä tekee tarkko-jen mallien kehittämisestä vaativaa.

Opinnäytetyön tavoitteena oli tutkia, kuinka jalkapallon data-analytiikkaa ja koneoppimismalleja voi-daan hyödyntää ottelutulosten ennustamisessa. Työssä sovellettiin European Soccer Database -aineistoa, joka sisältää laajasti tietoa eri kausien otteluista ja pelaajista. Aineisto esikäsiteltiin käsitte-lemällä puuttuvat arvot, yhdistämällä eri tietolähteitä sekä valitsemalla keskeiset piirteet mallinnusta varten.

Tutkimuksessa toteutettiin ja arvioitiin kolme koneoppimismallia: Random Forest, Support Vector Clas-sifier ja Gradient Boosting. Mallit koulutettiin kahdella eri lähestymistavalla: aiempaan kauden tulosda-taan sekä pelaajien ominaisuuksiin perustuen. Tulosten perusteella ottelutulosten ennustaminen osoittautui haastavaksi, mutta kotikenttäedun, joukkueiden keskimääräisen suorituskyvyn ja yksittäis-ten pelaajien taitotason havaittiin vaikuttavan lopputulokseen merkittävästi. Mallien suorituskykyä heikensivät erityisesti luokkaepätasapaino sekä pelaajakohtaisten tietojen rajallisuus.

Tutkimuksen tulokset osoittavat, että hyvin toteutettu malli voi auttaa tunnistamaan joukkueiden vah-vuuksia ja heikkouksia sekä ennakoimaan potentiaalisia ongelmakohtia kauden aikana. Jalkapalloanaly-tiikan kehittämisen lisäksi tutkimuksen havainnot tarjoavat hyödyllistä tietoa koneoppimismenetel-mien soveltamisesta urheiludatan käsittelyssä. Työn tuloksia voidaan hyödyntää erityisesti AI&DA-moduulien kursseilla esimerkkeinä data-analyysin ja koneoppimisen käytännön sovelluksista.