Faktoren, die mit Spielausgängen im europäischen Spitzensport verbunden sind – Einblicke aus Modellen des maschinellen Lernens

ZIEL Die Faktoren zu untersuchen, die die Ergebnisse von Fußballspielen in Europa beeinflussen, unter Verwendung von Modellen des maschinellen Lernens. METHODEN Die Spielpläne von 269 Teams, die in den sieben wichtigsten europäischen Ligen antreten, wurden extrahiert (2001/02 bis 2021/22, insgesamt >61.000 Spiele). Wir verwendeten eXtreme Gradient Boosting (XGBoost), um die Beziehung zwischen dem Ergebnis (Sieg, Unentschieden, Niederlage) und den erklärenden Variablen zu bewerten. ERGEBNISSE Die wichtigsten Einflussfaktoren auf Spielausgänge waren die Reisestrecke, Unterschiede zwischen den Teams im Elo-Rating (mit einer Beitragshöhe, die nur halb so groß war wie die der Reisestrecke und des Spielortes) und die jüngste nationale Leistung (mit einer Beitragshöhe von einem Viertel bis einem Drittel dessen, was die Reisestrecke und der Spielort beitrugen), unabhängig vom analysierten Datensatz und Kontext. Kontextuelle Faktoren wie Ruhetage zwischen den Spielen, die Anzahl der Spiele, seitdem die Trainer im Amt sind, und Spielerrotationen zwischen den Spielen zeigten ebenfalls Einfluss auf die Spielausgänge; jedoch war ihre Beitragshöhe konstant 4–8 Mal kleiner als die der drei oben genannten Hauptbeiträger. SCHLUSSFOLGERUNGEN Das maschinelle Lernen hat sich als nützlich erwiesen, um aufschlussreiche Ergebnisse für Trainer und unterstützendes Personal zu liefern, die diese Ergebnisse nutzen können, um Erwartungen zu setzen und ihre Praktiken im Hinblick auf die verschiedenen hier untersuchten Kontexte anzupassen.