Diverse Maschinenlernen zur Vorhersage der Torwahrscheinlichkeit in Elite-Fußballligen

Das Gebiet der Sportanalytik hat sich rasant entwickelt, mit einem Schwerpunkt auf der Leistungsprognose, der Verbesserung des Verständnisses der Spielerfähigkeiten und der indirekten Unterstützung von Teamstrategien und der Spielerentwicklung. Diese Arbeit zielt darauf ab, die Torwahrscheinlichkeit von Spielern in vier Elite-Fußballligen (Premier League, Bundesliga, La Liga und Serie A) vorherzusagen und vergleichend zu bewerten, indem fortgeschrittene Statistiken von 2017 bis 2023 abgebaut werden. Sechs Typen von Machine Learning (ML) Modellen wurden entwickelt und individuell durch Experimente an den umfassenden Datensätzen getestet, die für diese Ligen gesammelt wurden. Wir testeten auch das obere 30. Perzentil der leistungsstärksten Spieler basierend auf ihrer Leistung in der letzten Saison, wobei unterschiedliche Merkmale bewertet wurden, um die Vorhersagegenauigkeit in verschiedenen Szenarien zu verbessern. Die Ergebnisse bieten Einblicke in die Vorhersagefähigkeiten dieser Ligen, identifizieren die besten Prognosemethoden und die Faktoren, die am stärksten zur Vorhersage der Tormöglichkeiten der Spieler beitragen. XGBoost übertraf in den meisten Experimenten kontinuierlich andere Modelle und erzielte die genauesten Ergebnisse und führte zu einem gut generalisierten Modell. Bemerkenswerterweise erreichte es bei der Anwendung auf die Serie A einen durchschnittlichen absoluten Fehler (MAE) von 1,29. Diese Studie bietet Einblicke in die ML-basierte Leistungsprognose und bringt das Gebiet der Spielerleistungsprognose voran.