تعتبر الانتقالات في كرة القدم المحترفة (كرة القدم) استثمارات محفوفة بالمخاطر بسبب ارتفاع رسوم الانتقال والمخاطر المرتبطة بها. على الرغم من إمكانية استخدام النماذج المعتمدة على البيانات لتحسين قرارات الانتقال، تركز النماذج الحالية على وصف التقدم التاريخي للاعبين، مما يترك أدائهم المستقبلي غير معروف. علاوة على ذلك، دعت التطورات الأخيرة إلى استخدام نماذج قابلة للتفسير مدمجة مع طرق لتقدير عدم اليقين في التنبؤات لتحسين قابلية التطبيق للممارسين. يقوم هذا البحث بتقييم نماذج التعلم الآلي القابلة للتفسير بطريقة موجهة للممارسين لتوقع التطور المستقبلي في جودة وقيمة انتقال لاعبي كرة القدم المحترفين. لتحقيق ذلك، يتم دراسة طرق تقدير عدم اليقين من خلال الأدبيات. تُدرس دقة التنبؤ من خلال تدريب النماذج لتنبؤ جودة وقيمة اللاعبين قبل عام واحد، وهو ما يعادل موسمًا واحدًا. يتم ذلك عن طريق تدريبها على مجموعتين من البيانات تحتويان على مؤشرات قائمة على البيانات تصف جودة اللاعب وقيمة اللاعب في السياقات التاريخية. في هذا البحث، وُجد أن نموذج الغابة العشوائية هو النموذج الأنسب لأنه يوفر توقعات دقيقة بالإضافة إلى طريقة لتقدير عدم اليقين تنشأ بشكل طبيعي من إجراء الفحص في نموذج الغابة العشوائية. بالإضافة إلى ذلك، تُظهر هذه الدراسة أن تطور أداء اللاعب يحتوي على أنماط غير خطية وتفاعلات بين المتغيرات، وأن المعلومات الزمنية يمكن أن توفر معلومات مفيدة لنمذجة مؤشرات أداء اللاعب. يمكن للنماذج الناتجة أن تساعد الأندية الرياضية على اتخاذ قرارات انتقال مستندة إلى البيانات بشكل أفضل من خلال توقع جودة وقيمة الانتقال للاعبين.
درس أريم وآخرون (الأربعاء) هذا السؤال.