엘리트 남자 축구에서 경기 결과에 대한 수행 변수의 기여 결정하기

증가하는 축구 데이터의 양은 고전적인 방법을 사용한 성과 평가에 도전합니다. 따라서 최근 기계 학습 접근법이 스포츠의 복잡한 데이터 세트를 처리하는 데 도움을 줄 수 있습니다. 본 연구는 다양한 경기장 조건에서 훈련된 기계 학습 모델을 사용하여 엘리트 남자 축구에서 경기 결과에 가장 강하게 기여하는 수행 변수를 결정하는 것을 목표로 합니다. 두 시즌에 걸쳐 진행된 542경기에서 얻은 기술적, 전술적 및 신체적 변수를 이용하여 세 가지 경기장 조건(전체, 홈, 및 원정)을 위한 결과를 예측했습니다. 극단 경량 부스트(XGBoost) 모델링 전에 분산 팽창 지수 분석과 BorutaPy를 적용했습니다. 피처 중요도 순위와 SHAP 분석을 사용하여 다양한 조건에서 모델 성능 및 출력에 영향을 미치는 변수를 식별했습니다. 모델은 경기 결과 예측에서 높은 정확도를 보였으며, 특히 승리 및 패배 조건에서 93.38-95.93%의 비율을 기록했습니다. 무승부의 경우는 68.99-88.46% 사이로 낮은 결과를 보였습니다. 모델의 예측에 가장 많은 영향을 준 변수는 전환 비율, 상대의 xG퍼 골, 상대의 xG 및 xG 전환이었습니다. 팀의 경기 결과 예측은 다르며, 이번 연구의 경쟁에서 무승부를 예측하는 것은 어렵습니다. 기술적 변수는 모델과 출력에 가장 많은 기여를 했습니다. 코치는 자신이 보유한 데이터를 평가하면서 경기의 구조와 필요를 고려해야 합니다. 향후 연구는 특히 시간 관련 변수를 사용할 수 있는 경우, 다양한 토너먼트를 위한 모델을 개발할 수 있습니다.