Modelování výsledku fotbalového zápasu za účelem předpovědi závěru

Abstract

Cílem práce bylo vyhodnotit faktory ovlivňující výsledky fotbalových zápasů, vytvořit hodnocení, které by objektivně hodnotilo fotbalové týmy a pokusit se předpovědět výsledky fotbalových zápasů lépe než stávající metody. Nejprve bylo hodnoceno několik faktorů způsobem, do jaké míry každý faktor ovlivňuje výsledek fotbalového zápasu. Byly hodnoceny faktory jako domácí výhoda, věk, forma, motivace, průměrné držení míče a hodnoty přenosu. Výsledky ukázaly, že domácí výhoda je nejdůležitějším faktorem fotbalového zápasu, protože šance týmu vyhrát téměř dvojnásobně, pokud hraje na domácí půdě. Poté bylo vyhodnoceno několik předpovědních modelů. Začal jsem systémem hodnocení Elo, který byl vylepšen implementací faktorů, které byly popsány dříve. Tento systém ukázal lepší předvídatelnost ve srovnání s Poissonovým distribučním modelem a sázkovými kurzy. Nakonec byly modely strojového učení testovány pomocí historických dat a systému hodnocení Elo společně s několika faktory. Výsledky ukázaly přesnost 0,535, což znamená, že by správně předpověděl 53,5% her.

The goal of the thesis was to evaluate factors affecting football match results, create a rating which would rank the football teams in an objective way and try to predict football match results better than existing methods. Firstly, several factors were evaluated in a way to what extent each factor affects a football match result. Such factors as home advantage, age, form, motivation, average ball possession and transfer values were evaluated. The results showed that the home advantage is the most important factor in a football match as the team’s chances to win almost double if it plays at a home ground. Then, several predicting models were evaluated. I started with the Elo ranking system, which was improved by implementing the factors which were described previously. This system showed better predictability compared to the Poisson distribution model and betting odds. Finally, machine learning models were tested using historical data and the Elo ranking system together with several of the factors. The results showed accuracy of 0.535, which means that it would predict 53.5% of the games correctly.