Συλλογές
Τίτλος Use of event data to predict player performance in soccer
Εναλλακτικός τίτλος Χρήση δεδομένων-συμβάντων (event data) για την πρόβλεψη της ατομικής απόδοσης στο ποδόσφαιρο
Δημιουργός Paidoulias, Athanasios, Παιδούλιας, Αθανάσιος
Συντελεστής Athens University of Economics and Business. Department of Statistics
Demiris, Nikolaos
Ntzoufras, Ioannis
Karlis, Dimitrios
Τύπος Text
Φυσική περιγραφή 172p.
Γλώσσα en
Αναγνωριστικό http://www.pyxida.aueb.gr/index.php?op=view_object&object_id=9609
Περίληψη Tα τελευταία χρόνια υπάρχει μεγάλο ενδιαφέρον σχετικά με τη χρήση στατιστικής και μαθηματικών στον αθλητισμό, και ιδιαίτερα στο ποδόσφαιρο. Αν και η ανάλυση δεδομένων χρησιμοποιείται σε άλλα αθλήματα εδώ και δεκαετίες, όπως στο μπάσκετ και στο αμερικάνικο ποδόσφαιρο, στο ποδόσφαιρο έχει αρχίσει να αξιοποιείται τα τελευταία χρόνια. Οι ποδοσφαιρικοί σύλλογοι χρησιμοποιούν την ανάλυση δεδομένων για να βελτιώσουν τη μεταγραφική στρατηγική τους, να αναλύσουν το στυλ παιχνιδιού τους, να αναλύσουν άλλες ομάδες, να αποτρέψουν/μειώσουν τραυματισμούς και να αυξήσουν τις νίκες και τα κέρδη τους. Επιπλέον, πολλοί ποδοσφαιρόφιλοι πραγματοποιούν έρευνα για να κατανοήσουν καλύτερα το αγαπημένο τους άθλημα. Σκοπός αυτής της διπλωματικής εργασίας είναι να εντοπίσει τις μεταβλητές που επηρεάζουν την απόδοση των ποδοσφαιριστών και, συνεπώς να προσπαθήσει να προβλέψει την απόδοση κάθε παίκτη για τον επόμενο αγώνα.Για αυτό τον σκοπό χρησιμοποιήθηκαν δεδομένα γεγονότων (event data) από την πρώτη κατηγορία του αγγλικού, γερμανικού, ισπανικού, γαλλικού και ιταλικού πρωταθλήματος ποδοσφαίρου για ολόκληρη τη σεζόν 2017-2018. Αξίζει να σημειωθεί ότι δεν υπάρχουν ευρέως αναγνωρισμένες μεθοδολογίες για την αξιολόγηση της απόδοσης των ποδοσφαιριστών, γεγονός που περιπλέκει την προσπάθειά μας. Με αυτή τη διατριβή, εξετάζουμε ορισμένες μεθόδους αξιολόγησης της ατομικής απόδοσης στο ποδόσφαιρο χρησιμοποιώντας δεδομένα γεγονότων, προσδιορίζουμε διαφορετικούς τύπους παιχνιδιού τόσο για παίκτες όσο και για ομάδες χρησιμοποιώντας διάφορες μεθόδους ομαδοποίησης, εξετάζουμε διαφορετικές μεθόδους για τον υπολογισμό της ισχύος των ομάδων και χρησιμοποιούμε διαφορετικά μοντέλα πρόβλεψης για την πρόβλεψη της απόδοσης των ποδοσφαιριστών.Το κύριο εμπόδιο σε αυτήν την έρευνα είναι η φύση του ποδοσφαίρου. Το ποδόσφαιρο είναι ένα άθλημα με χαμηλά σκορ, δηλαδή επιτυγχάνονται λίγα (ή και) καθόλου γκολ στους ποδοσφαιρικούς αγώνες. Υπάρχουν 22 παίκτες στο γήπεδο κάθε στιγμή, γεγονός που καθιστά εξαιρετικά δύσκολη τη μέτρηση της συνεισφοράς κάθε παίκτη στο τελικό αποτέλεσμα. Επομένως, αν και κατέστη εφικτό να προσδιοριστούν τα διαφορετικά στυλ των ποδοσφαιριστών και των ομάδων και να μετρηθεί η απόδοση των παικτών χρησιμοποιώντας μόνο δεδομένα γεγονότων, δεν κατέστη εφικτό να αναπτυχθούν μοντέλα πρόβλεψης της απόδοσης με επαρκή προγνωστική ακρίβεια.
There has been a surge of interest in sports analytics in recent years, particularly soccer analytics. Although data analytics has been utilized in other sports for decades, such as basketball and American football, it has just been deployed in soccer in the last few years. Soccer clubs utilize data analytics to enhance their transfer strategy, analyze their playing style, analyze other teams, prevent injuries, and improve their overall prospects of both winning more matches and increasing their earnings. Additionally, many soccer fans perform their study to have a better grasp of their beloved sport. The purpose of this dissertation is to identify the variables that influence soccer players' performance and, therefore, to attempt to forecast each player's performance for the forthcoming match.We accomplished this aim by analyzing event data from the English, German, Spanish, French, and Italian first soccer divisions throughout the 2017-2018 season. It's worth noting that there are no widely acknowledged methodologies for assessing soccer players' performance, which complicates our endeavor. With this dissertation, we examine some methods for measuring individual performance in soccer by using event data, we identify different types of playing styles for both players and teams by using various clustering methods, we examine different methods for quantifying teams’ strength, and we use different forecasting models for predicting soccer players’ performance.The primary impediment to this research is the nature of soccer. Soccer is a low-scoring sport; there are 22 players on the field at any given moment, making it extremely difficult to measure and forecast each player's impact on the outcome. Therefore, although we were able to extract meaningful information about soccer players' and teams' styles and measure players' performance using only event data, we were unable to develop prediction models with sufficient predictive accuracy.
Λέξη κλειδί Απόδοση
Ποδόσφαιρο
Ανάλυση
Ποδοσφαιριστές
Πρόβλεψη
Soccer
Analytics
performance
Players
Prediction
Διαθέσιμο από 2022-08-10 22:18:13
Ημερομηνία έκδοσης 07/14/2022
Ημερομηνία κατάθεσης 2022-08-10 22:18:13
Δικαιώματα χρήσης Free access
Άδεια χρήσης https://creativecommons.org/licenses/by/4.0/