Всем привет! Когда вы смотрите свою любимую футбольную команду, вы когда-либо имеете это чувство, что есть игрок, который имеет большой потенциал, но играет в неправильном положении? Вы думаете, что если менеджер поставит его в другую позицию, он будет намного лучше? Ну, я делаю! Как мы можем разработать инструмент, который использует Искусственный интеллект, чтобы помочь нам определить лучшие позиции для игроков?
В этом посте я покажу, как обучить модель обучения машине для обнаружения лучших позиций игрока, используя набор данных Football Manager. Затем я проанализирую некоторые игроки и сравниваю прогнозируемые позиции с реальными позициями игроков. Вы можете проверить ноутбук Jupyter с кодом для этого блога Post здесь Отказ
Несколько игроков успешно изменили свою позицию в своей карьере. Андреа Пирло Возможно, один из самых успешных случаев. Он начал как оскорбительный полузащитник, но не смог впечатлить в Inter Milan в 2001 году из-за его отсутствия темпов и выносливости. Во время кредита в Брешии, который также имел Роберто Баггио в качестве Trevartista, тренер Карло Маццон сделал впечатляющее решение о развертывании PILLO как глубокого Playmaker. Благодаря своей технике и прохождению, Pirlo стал, пожалуй, лучшим глубоким воспроизведением всех времен, вдохновляющим нового поколения защитных средних лет.
Андреа Пирло (Википедия)
Еще одним известным случай переключения позиций является Тюрьма . Когда он изменился из Саутгемптона в Тоттенхэм, он стал одним из самых быстрых левых спин, что мир когда-либо видел. Однако за рукой Гарри Реднапп в 2012 году он превратился в левый вингер, делая его самым дорогим игроком в мире, когда он был куплен настоящим Мадридом в 2013 году.
Gareth Bale (Википедия)
В то время как в этих случаях игроки переместили позиции, пока все еще молодые, есть также случаи, когда игроки меняют позиции, чтобы воспользоваться своими новыми характеристиками, поскольку они стареют. На протяжении многих лет Райан Гиггс был левым вингером человека Юнайтед. В более поздние годы своей карьеры его ПАСЕ снизился, в то же время его проходящие навыки были лучше, чем когда-либо. Его изменение в Центральный Мидфилд принес выиграл как его, и человек, объединив их в финал Лиги чемпионов в 2009 и 2011 годах.
Есть еще много игроков, которые успешно изменили позиции: Хавьер Мацерано, Серхио Рамос, Тьерри Генри, Фабио Контрао, Матик или Винсент Компания – некоторые из примеров. Целью этого поста является показать, как создать модель, которая предсказывает лучшие позиции игрока, чтобы он позволил ему достичь своего потенциала ранее в своей карьере.
Для этого мы будем использовать набор данных с атрибутами игрока, оцененный от 1 до 20. Мы будем использовать Данные из игрового футбола Manager 2017 , доступно в Kaggle Отказ Футбольный менеджер широко известен как имеющий один из самых надежных и обширных наборов данных мира по футболу во всем мире.
Мы будем тренировать модель обучения машины, которая учится классифицировать позиции игроков на основе их атрибутов. Каждый игрок может быть классифицирован как имея более одной подходящей позиции для него.
А Отказ от ответственности о данных должны быть сделаны. Набор данных, очевидно, предвзятый, поскольку атрибуты игроков были предоставлены вручную, и им дали знание позиции игрока априори. Тем не менее, это был мой выбор, чтобы сделать этот анализ на основе атрибутов, приведенных игрокам, а не на основе статистики игрока (количество проходов, количества целей и т. Д.), Поскольку они влияют на позиции, в которых игроки имеют играл в.
Хватит говорить! Давайте тренировать модель Отказ Полная ноутбука можно найти здесь Отказ
При определении позиции для каждого игрока мы видим, что каждый игрок имеет оценку для каждой позиции от 1 до 20. Мы будем классифицировать игрока, а также подходящий для позиции, если его оценка для этой позиции 15 или более.
Мы будем тренировать три модели: a Классификатор K-соседей, случайный лес и нейронная сеть Отказ Я выбрал эти три алгоритма, потому что у них есть родная поддержка для многодельных классификаций. Для каждой модели это будет применено 5-кратное перекрестное варительность, а будет измерена F1-оценка. Предсказания для каждого игрока также будут храниться.
Результаты перекрестной проверки показали нам, что нейронная сеть является худшим исполнителем в этой задаче, достигнув F1-оценки 48,61%. Как K-соседи, так и случайные алгоритмы лесных лес, достигают F1-оценки около 60%. Поскольку время обучения случайного леса ниже, я выбрал случайную лесную модель, чтобы делать прогнозы о игроках. После того, как гипер-параметры выбраны, я тренирую модель в последний раз со всем набором данных.
В конце концов, мы получаем два артефакта, которые мы будем использовать:
- Обученная модель со всеми игроками в наборе данных;
- прогноз положения каждого игрока , обученный в 5-кратном подходе с перекрестным вариантом.
После того, как модель обучена, Давайте играть с этим! Мы можем вручную установить атрибут каждого игрока в числовое значение и проанализировать вывод модели. С этим мы можем проверить самые важные атрибуты для каждой позиции.
Например, начиная с атрибутов Криштиану Роналду Он прогнозирует позиции нападающего, оставил атакующий полузащитник, правый атакующий полузащитник и покинул полузащитник. Давайте попробуем уменьшить значение финишного атрибута, которое установлено на 19. Интересно, что когда финишный атрибут падает ниже 10, модель прогнозирует только позиции, оставленные вправо и правый атакующий полузащитник. Удар и левые положения полузафильдер не предсказаны из-за низких навыков отделки. Мы также можем увидеть, что изменение только возраста, высота или веса не влияет на непосредственно предсказанные позиции.
Если атрибут Freekicks падает ниже 4, левое поле Midfield не предсказано. Может быть, модель узнала, что оставленные полузащиты, хороши в штраве. Если атрибут заголовка падает, не только ударник и левые положения полузащиты не предсказаны, но предсказана атакующая центральная полоса полузаспоминателя. Это имеет смысл, поскольку атрибут заголовка редко нужен для атакующего центрального полузащитника.
Во всяком случае, есть много, чтобы попытаться исследовать с атрибутами в модели. Попробуйте сами своими любимыми игроками!
Помимо модели, У нас также есть прогнозируемая позиция каждого игрока . Мы можем проверить позиции проигрывателя, что модель предсказала и посмотреть, если она обнаружила потенциальные позиции, где игроки могут достичь его полного потенциала.
Давайте тестируем 10 игроков:
Криштиану Роналду – прогнозируемые позиции находятся в центральной части поля, что имеет смысл в этой последней части своей карьеры;
Lionel Messi – прогнозируемые позиции являются центральными и оставляющими атакующего полузащитника, что не содержит позиции удара по сравнению с фактическими позициями; Это также понятно, поскольку Месси – это все, кроме обычного нападающего – его руководящие или отделочные навыки не являются выдающимися;
Неймар – похож на Месси, все реальные позиции предсказаны исключением к положению нападающего, вероятно, по тем же причинам; Я бы утвердовал, что нападающий не лучшая позиция для любого из них, по крайней мере, как одинокий ударник;
Кевин де Бруйна – фактические лучшие позиции de Bruyne в FM 2017 – это все полузащиты и атакуют позиции в полузащитах; Наши прогнозируемые лучшие позиции являются центральными атаками, атакующими мидфилд и оставляли атаковать мидфилд;
Гарри Кейн – как фактические, так и прогнозируемые позиции одинаковы (нападающий);
Лука модрика – как фактические, так и прогнозируемые позиции одинаковы (центральные атакующие атакующие полузащиты и центральное полузащитное поле);
Мануэль Нойер – как фактические, так и предсказанные позиции одинаковы (вратарь);
Филипп Лахм – Лам является сложным игроком, потому что он может играть в нескольких позициях; Наша прогнозируемая позиция является правым защитником, что является его первоначально позицией;
Андреа Пирло – Pirlo – еще один сложный пример, начав свою карьеру в качестве центрального атакующего полузащитника, но имея больше успеха в качестве оборонительного полузащитника; Наш прогноз – центральное полузащитное поле и центральное нападение на полузащище, вероятно, из-за его замечательного видения и прохождения атрибутов;
Gareth Bale – Прогнозируемые позиции для тюков являются центральными и оставляющими атакующие полузащиты, что было позицией, которое сделало его самым дорогим игроком в мире в 2013 году.
В RECAP, Похоже, что модель может точно прогнозировать площадь поля игрока (вратарь/защиту/полузащиты/нападающего), и он может дать некоторое понимание игрокам, где это может быть его лучшая позиция.
Попробуйте его с любимыми игроками!
Спасибо за прочтение!
Оригинал: “https://dev.to/diogodanielsoaresferreira/maximize-the-potential-of-your-football-players-with-machine-learning-gng”