AI 预测世界杯冠军是“巴西队”

2018年世界杯足球赛开赛在即，全世界的球迷都想知道：谁将夺得令人垂涎的冠军杯？

如果你不仅是个球迷，还是个技术达人，我猜你已意识到机器学习和AI也是目前的流行语。我们不妨结合两者来预测谁赢得世界杯。

免责声明：本文不该用于投注或任何财务决策。你要是选择这么做，我也不会拦你（如果你中了头彩，可别忘了我）。

足球比赛涉及好多因素；正因为如此，所有这些因素无法在一个机器学习模型中加以分析。我只是想用数据搞一个有趣的项目……

目标

目标是使用机器学习来预测哪支球队将赢得2018年世界杯。

预测今年这届世界杯每一场比赛的结果。

模拟下一轮比赛，比如四分之一决赛、半决赛和决赛。

这些目标带来了一个独特而实际的机器学习预测问题，需要解决各项机器学习任务：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，可以在这里（https://www.kaggle.com/martj42/international-football-results-from-1872-to-2017/data）找到。我们将使用自1930年世界杯开始以来所有参赛球队的历史比赛结果。

局限性：国际足联排名是上世纪90年代搞起来的，因此缺少数据集的大部分内容。于是我们坚持使用历史比赛记录。

环境和工具：jupyter笔记本、numpy、pandas、 seaborn、matplotlib和scikit-learn。

我们先要对两个数据集进行一些探索性分析，做一些特征工程以选择对预测最要紧的特征，做一些数据处理，选择一个机器学习模型，最后将模型部署到数据集上。

开始动手吧！

要紧的事先说，导入必要的代码库，并将数据集加载到一个数据框。

导入代码库

加载数据集……

为两个数据集调用world_cup.head()和results.head()，确保数据集已加载到数据框中，如下所示：

探索性分析

分析这两个数据集后，得到的数据集包含过去比赛的数据。因而得到的新的数据集对分析和预测将来的比赛很有用。

探索性分析和特征工程：这需要确定哪些特征对机器学习模型来说很要紧，这是任何数据科学项目中最耗时的部分。

现在让我们将目标差异和结果这一列添加到结果数据集。

查看新的结果数据框。

然后我们将处理数据子集，这部分包括只有尼日利亚参加的比赛。这将帮助我们专注于哪些特性对一个国家来说很要紧，然后扩大到参加世界杯的那些国家。

第一届世界杯在1930年举办。为年份创建一个列，并选择1930年以后的所有比赛。

现在我们可以直观显示历年来尼日利亚最常见的比赛结果。

获得每个参赛国家的胜率是一个有用的指标，我们可以用它来预测每场比赛的最有可能的结果。

比赛场地关系不大。

范围缩小到参加世界杯的球队

为所有参与球队创建一个数据框。

然后，我们会进一步过滤结果数据框，只显示1930年起出现在今年世界杯上的球队，并摈弃重复的球队。

创建年份列，摈弃1930年之前的比赛，并摈弃不会影响比赛结果的列，比如date、home_score、away_score、tournament、city、country、goal_difference和match_year。

修改“Y”（预测标签），以便简化我们模型的处理。

如果主队获胜，winner_team列将显示“2”，如果是平局，显示“1”，如果客队赢，则显示“0”。

通过设置伪变量，将home_team和_team从分类变量转换成连续输入。

使用pandas以及get_dummies()函数。它将分类列转换成独热（one-hot，数字“1”和“0”）表示，让它们能够加载到Scikit学习模型中。

然后，我们将X级和Y组分开，将数据分成70%是训练数据，30%是测试数据。

我们将使用逻辑回归，这是一种分类器算法。这个算法如何工作？它通过使用逻辑函数来估计概率，从而度量分类因变量和一个或多个自变量之间的关系。具体来说是累计逻辑分布。

换句话说，在给出可能影响结果的一组数据点的情况下，逻辑回归试图预测结果（赢或输）。

实际上其工作方式是，你每次为算法馈送一次比赛，同时馈送上述的“数据集”和比赛的实际结果。然后，模型学习你馈送的每一个数据如何积极或消极地影响比赛结果，影响多大。

馈送足够多的好数据，你就有了可以用来预测未来结果的模型。

模型的好坏取决于馈送给它的数据。

不妨看一下最后的数据框：

看起来很棒。现在我们准备将这个传递给我们的算法：

我们的模型在训练集上的准确率为57%，在测试集上的准确率为55%。这看起来不太好，但暂且不用管它。

这时候，我们将创建一个数据框，我们将部署模型。

我们先开始加载截至2018年4月的国际足联排名数据集（https://us.soccerway.com/teams/rankings/fifa/?ICID=TN_03_05_01）和含有从这里（https://fixturedownload.com/results/fifa-world-cup-2018）获得的小组赛阶段保留球队的数据集。排名较高的球队将被视为比赛的“热门”，因此它们放在“home_teams”这一列，这是由于世界杯比赛中没有“主队”或“客队”。然后，我们根据每支球队的排名位置将球队添加到新的预测数据集。下一步将创建伪变量，并部署机器学习模型。

预测比赛

现在你想知道我们怎么来预测？码了那么多代码，说了那么多，你啥时预测比赛？好了，马上预测比赛了。

将模型部署到数据集

我们先将模型部署到小组赛。

这是小组赛的结果。

模型预测三场平局，它还在葡萄牙和西班牙之间稳妥下注，但认为西班牙胜率高。我用该网站（https://ultra.zone/2018-FIFA-World-Cup-Group-Stage）来模拟小组赛的比赛。

下面是模拟16轮淘汰赛。

模型预测四分之一决赛在这些球队之间进行：葡萄牙对阵法国、巴西对阵英格兰、西班牙对阵阿根廷和德国对阵比利时。

预测如下：

半决赛

葡萄牙对阵巴西和德国对阵阿根廷

预测：

最后是总决赛

巴西对阵德国

预测：

根据这个模型，巴西很可能赢得这届世界杯。

进一步研究/改进的方面

数据集：为了改进数据集，你可以使用FIFA（比赛而不是组织）来评估每一个球队成员的水准。

混淆矩阵（confusion matrix）适用于分析模型预测哪些比赛出错。

我们可以尝试结合更多模型以提高准确性。

结论

为了改进这项工作，有许多事情可以做。现在不妨看看我们是否预测很准。全面披露：我不是十足的球迷。所以预测准不准风险自负。

完整的代码可以在这里（https://github.com/itsmuriuki/FIFA-2018-World-cup-predictions）找到。