SwitasBize Ulaşın

Makine Öğrenimiyle UEFA Euro 2024 Tahmini

Çağdaş Polat · · 2 dk okuma

Futbol dünyası, UEFA Euro 2024 yaklaşırken hangi takımın kupayı kaldıracağını merakla bekliyor. Bir grup araştırmacı—Florian Felice, Andreas Groll, Lars Magnus Hvattum, Christophe Ley, Gunther Schauberger, Jonas Sternemann, ve Achim Zeileis—bu prestijli turnuvanın sonuçlarını tahmin etmek için makine öğreniminin gücünden yararlandı. Kapsamlı çalışmaları, sonuçları daha yüksek doğrulukla öngörmek için bir makine öğrenimi topluluğu (ensemble) kullanıyor.

Tahmine Yönelik Araştırma Yaklaşımı

1. Veri Toplama

Araştırmacılar işe, geçmiş UEFA Avrupa Şampiyonası maçlarına dair kapsamlı veriler toplayarak başladı. Bu veri seti önceki turnuvalardan maç sonuçlarını, takım istatistiklerini, oyuncu performans metriklerini ve diğer ilgili faktörleri içerir. Ayrıca modelin en güncel bilgileri yansıttığından emin olmak için son maç sonuçları, oyuncu formları ve takım kadroları gibi güncel takım verilerini de entegre ettiler.

2. Özellik Mühendisliği

Özellik mühendisliği, ham verilerden anlamlı değişkenler çıkarmalarına olanak tanıyan, süreçlerinin kritik bir adımıydı. Modelde dikkate alınan temel özellikler şunlardır:

  • Takım gücü göstergeleri, örneğin FIFA sıralamaları ve Elo puanları.
  • Geçmiş UEFA turnuvalarındaki performans.
  • Güncel performans metrikleri; galibiyet/mağlubiyet oranları ve gol farkları dahil.
  • Oyuncuya özel istatistikler, örneğin atılan goller, asistler ve savunma aksiyonları.

3. Model Seçimi

Tahminlerinin doğruluğunu artırmak için araştırmacılar, birden fazla makine öğrenimi modelini bir araya getiren bir topluluk (ensemble) yaklaşımı kullandı. Topluluklarında kullanılan başlıca modeller şunlardır:

  • Random Forest: Değişkenler arasındaki karmaşık etkileşimleri yakalayan çok yönlü bir model.
  • Gradient Boosting Machines (GBM): Tahmini zor örneklere odaklanarak tahmin doğruluğunu artırmada etkili.
  • Sinir Ağları: Verideki girift örüntüleri tespit edebilir.

Bu modelleri bir araya getiren topluluk, her birinin güçlü yönlerinden yararlanır ve daha sağlam ve güvenilir bir tahmin sistemi ortaya çıkarır.

4. Model Eğitimi ve Doğrulama

Topluluk modeli önceki UEFA Avrupa Şampiyonalarına ait geçmiş verilerle eğitildi. Modelin performansını doğrulamak için araştırmacılar çapraz doğrulama tekniklerinden yararlandı ve modelin görmediği verilere iyi genelleme yaptığından emin oldu. Bu adım, aşırı öğrenmeyi (overfitting) önlemek ve modelin gelecekteki maçları doğru tahmin edebildiğini doğrulamak için kritikti.

5. Tahminler ve Analiz

Eğitilen modelle araştırmacılar, UEFA Euro 2024 turnuvasını her maç için olasılıksal tahminler üretmek üzere defalarca simüle etti. Bu yaklaşım yalnızca tekil maçlar için tahminler sunmakla kalmaz, aynı zamanda her takımın aşamaları geçme ve nihayetinde turnuvayı kazanma olasılığını da tahmin eder.

Ekran Resmi 2024-06-14 16.25.34.png
Etkileşimli tam genişlikli grafik

Euro 2024'ü Kim Kazanacak?

Makine öğrenimi topluluk modeli, grup aşamasındaki tüm maçların simüle edilmesine, hangi takımların eleme aşamalarına çıkacağının belirlenmesine ve nihayetinde kazananın tahmin edilmesine olanak tanır. Bu simülasyonları 100.000 kez çalıştırarak model her takım için kazanma olasılıkları üretir.

Ekran Resmi 2024-06-14 16.25.23.png
Etkileşimli tam genişlikli grafik

Sonuçlar, Fransa'nın Avrupa şampiyonluğunun favorisi olduğunu ve kazanma olasılığının %19,2 olduğunu gösteriyor. İngiltere %16,7 şansla onu takip ediyor; ev sahibi Almanya ise %13,7'de yer alıyor. Aşağıdaki çubuk grafik, turnuvaya katılan tüm takımların kazanma olasılıklarını gösteriyor; daha ayrıntılı bilgi etkileşimli tam genişlikli sürümde yer alıyor.

Temel Bulgular

Makine öğrenimi topluluğu birkaç önemli içgörü üretti:

  • Favoriler ve Sürpriz Adaylar: Model, geleneksel futbol güçlerini güçlü adaylar olarak öne çıkarırken, hayranları şaşırtabilecek potansiyel sürpriz takımları da belirliyor.
  • Kritik Maçlar: Grup aşamasındaki ve eleme turlarındaki bazı eşleşmeler belirleyici olarak tanımlanıyor; sonuçlarının turnuvanın gidişatını önemli ölçüde etkilemesi muhtemel.
  • Oyuncu Etkisi: Özellikle kilit pozisyonlardaki bireysel oyuncu performansının maç sonuçları üzerinde ciddi bir etkisi olduğu görülüyor.

Sonuç

Florian Felice, Andreas Groll, Lars Magnus Hvattum, Christophe Ley, Gunther Schauberger, Jonas Sternemann, and Achim Zeileis tarafından yürütülen çalışma, UEFA Euro 2024 gibi karmaşık olayların sonuçlarını tahmin etmede makine öğreniminin güçlü yeteneklerini ortaya koyuyor. Çeşitli makine öğrenimi modellerini bir araya getiren topluluk yaklaşımları, turnuvanın olası sonuçlarına dair değerli içgörüler sunan sağlam ve doğru bir tahmin sistemi sağlıyor.

Kaynaklar

İlgili makaleler

Tüm makaleler →

Bir sonrakini birlikte inşa edelim.

Bize Ulaşın