【数据看球】2018 年世界杯夺冠预测，CDA带你用机器学习来分析

作者 Gerald Muriuki

编译 Mika 本文为 CDA 数据分析师原创作品，转载需授权

随着2018年FIFA世界杯开赛在即，世界各地的球迷都渴望知道：谁将夺取梦寐以求的冠军奖杯？

如果你不仅是一名资深球迷，而且还是技术宅，那么你还可以利用机器学习和人工智能这两个利器。下面让我们一起预测哪个国家会赢得本次世界杯。

足球比赛涉及到很多因素，因此许多因素无法在机器学习模型中进行探讨。这只是我作为技术宅，从数据角度的尝试。

目标

1. 目标是使用机器学习预测谁将赢得2018年世界杯。

2. 预测世界杯中每场比赛的结果。

3. 对下场比赛进行模拟预测，比如四分之一决赛，半决赛和决赛。

这些目标体现了现实世界中的机器学习预测问题，当中涉及的机器学习任务包括：数据整合，特征建模和结果预测。

数据

我使用了Kaggle的两个数据集，包括自1930年起所有参赛队在国际比赛中的结果。

Kaggle数据集链接：

(https://www.kaggle.com/martj42/international-football-results-from-1872-to-2017/data)

局限性：

由于国际足联排名创建于90年代，因此缺乏大部分数据集。在此我们按照历史比赛记录分析。

环境和工具：

jupyter notebook，numpy，pandas，seaborn，matplotlib和scikit-learn。

我们首先要对两个数据集进行探索性分析，通过特征工程选择最相关的特征进行预测。之后进行数据处理，选择机器学习模型，最后将其部署到数据集上。

开始

首先，导入必要的库并将数据集加载到数据框。

导入库

加载数据集

通过调用两个数据集world_cup.head()和results.head()，确保数据集加载到数据框中，如下所示：

探索性分析：

对两个数据集进行分析后，所得数据集包含过去比赛的数据。新产生的数据集对分析和预测之后的比赛很有用。

在数据科学项目中，确定哪些特征与机器学习模型相关是最耗时的部分。

现在，让我们在结果数据集中添加净胜球数和结果列。

查看新的结果数据框。

然后我们将使用数据的子集。其中包括只有尼日利亚参加的比赛。这将有助于我们了解某支球队的特色，并拓展运用到其他参赛球队。

第一届世界杯于1930年举办。创建年份列，选择1930年以后的所有比赛。

现在可以将这些年尼日利亚的比赛结果进行可视化。

每个世界杯参赛球队的获胜率是很有用的指标，我们可以用它来预测每场比赛的结果。其中比赛场地并不重要。

参赛球队

对所有参赛球队创建数据框。

然后进一步过滤数据框，只显示从1930年起到今年世界杯的球队，减少重复的球队。

创建年份列，并删除1930年之前的比赛，以及不影响比赛结果的列，例如日期、主队进球数、客队进球数、锦标赛、城市、国家、净胜球数和比赛年份。

修改“Y”(预测标签)以简化模型处理。

如果主队获胜，获胜队(winner_team)列将显示“2”，如果是平局则显示“1”，如果客队获胜则显示“0”。

通过设置虚拟变量，将主队(home_team)和客队(away _team)从分类变量转换为连续输入。

使用 pandas，get_dummies()函数。从而用one-hot(数字“1”和“0”)代替分类列，确保加载到Scikit-learn模式。

然后，我们将X和Y集分开，并将数据的70%用于训练，30％用于测试。

我们将使用逻辑回归。通过逻辑函数估计概率，我可以测量分类因变量和一个或多个自变量之间的关系。

换句话说，逻辑回归通过影响结果的数据点(统计数据)对结果进行预测(赢或输)。

在实际运用中，每次对一场比赛输入算法，同时提供上述“数据集”和比赛的实际结果。然后，模型将学习输入数据将如何对比赛结果产生积极或消极影响。

让我们看到最终数据框：

看起来很棒。现在加入算法：

我们的模型在训练集上的准确率为57％，测试集的准确率为55％。这并不理想，但让我们继续。

现在我们将创建数据框部署模型。

首先，我们将加载截至到2018年4月的国际足联排名数据集和小组赛阶段的数据集。

国际足联排名：

(https://us.soccerway.com/teams/rankings/fifa/?ICID=TN_03_05_01)

小组赛阶段数据：

(https://fixturedownload.com/results/fifa-world-cup-2018)

国际足联排名较高的球队将被视为“受欢迎”球队。由于世界杯中不分“主队”或“客队”球队，他们都将归属到“home_teams”列。然后，根据每个团队的排名将球队添加到新的预测数据集中。下一步将创建虚拟变量并部署机器学习模型。

预测比赛

你肯定在想什么时候才能到预测部分。前面代码和解释占据了太多的篇幅，现在我们开始预测。

将模型部署到数据集

首先将模型部署到小组赛。

下面是小组赛的结果。

该模型预测了三场平局，并预测西班牙有很高的胜率。我用这个网站预测了小组赛。

(https://ultra.zone/2018-FIFA-World-Cup-Group-Stage)

16强

以下是对16强的预测。

四分之一决赛

四分之一决赛的情况为：

葡萄牙vs法国，巴西vs英格兰，西班牙vs阿根廷，德国vs比利时。

预测结果：

半决赛

葡萄牙vs巴西；德国vs阿根廷

预测结果：

决赛

巴西vs德国

预测结果：巴西获胜。

根据模型预测，巴西很可能赢得本次世界杯。

结语

研究和改进空间：

1.数据集。为了改进数据集，你可以使用国际足联数据来评估球队中每个球员的水平。

2.混淆矩阵能够用于分析模型分析错误的情况。

3.我们可以整合更多模型，从而提高预测准确率。

完整的代码如下：

https://github.com/itsmuriuki/FIFA-2018-World-cup-predictions

原文链接：

https://blog.goodaudience.com/predicting-fifa-world-cup-2018-using-machine-learning-dc07ad8dd576

投票

根据各大数据机构给出的本届世界杯夺冠赔率榜，本次的八大夺冠热门球队为：巴西、德国、西班牙、法国、阿根廷、比利时、英格兰、葡萄牙。你觉得哪支球队能赢得的冠军奖杯呢？