|
| Συλλογές |
|
| Τίτλος |
Predictive analysis and comparison of football analytics models and machine learning algorithms for Euro
|
| Εναλλακτικός τίτλος |
Προγνωστική ανάλυση και σύγκριση μοντέλων Football Analytics και αλγορίθμων μηχανικής μάθησης για το Euro
|
| Δημιουργός |
Ρωμανίδης, Ευστράτιος, Romanidis, Efstratios
|
| Συντελεστής |
Ntzoufras, Ioannis
Karlis, Dimitrios
Athens University of Economics and Business, Department of Management Science and Technology
|
| Τύπος |
Text
|
| Φυσική περιγραφή |
80p.
|
| Γλώσσα |
en
|
| Αναγνωριστικό |
http://www.pyxida.aueb.gr/index.php?op=view_object&object_id=10300
|
| Περίληψη |
This thesis discusses the use of data visualization and analytics in football, specifically the FIFA World Rankings and the Euro 2020 competition. It presents a bivariate Poisson model for the goals scored by each team in a football game, which was implemented in R. The model considers factors such as attack and defence coefficients, home advantage, and regional strength, as input in the model and are depicted in tables. The model was tested using data from the Euro 2020 competition, including the Round of 16 to Final stages, and the results were compared to the odds given by bookmakers. The model was found to be accurate in predicting the results of the games. This thesis also provides an overview of the use of data analytics in football via other more advanced machine learning algorithms.
Αυτή η διπλωματική πραγματεύεται την οπτικοποίηση και ανάλυση δεδομένων στο ποδόσφαιρο, ειδικότερα στα FIFA World Rankings και το Euro 2020. Παρουσιάζει ένα Bivariate Poisson για τα γκολ που σκοράρει κάθε ομάδα σε ένα παιχνίδι ποδοσφαίρου, το οποίο εφαρμόστηκε στην R. Το μοντέλο λαμβάνει υπόψη παράγοντες όπως οι συντελεστές επίθεσης και άμυνας, το πλεονέκτημα της έδρας και η περιφερειακή δύναμη, ως είσοδοι στο μοντέλο και παρουσιάζονται σε πίνακες. Το μοντέλο δοκιμάστηκε χρησιμοποιώντας δεδομένα από το Euro 2020, συμπεριλαμβανομένων των φάσεων των 16 και του τελικού, και τα αποτελέσματα συγκρίθηκαν με τις πιθανότητες που δόθηκαν από τις στοιχηματικές. Βρέθηκε ότι το μοντέλο είναι ακριβές στο να προβλέπει τα αποτελέσματα των αγώνων. Αυτή η διπλωματική παρέχει επίσης μια επισκόπηση της χρήσης προηγμένων μοντέλων μηχανικής μάθησης.
|
| Λέξη κλειδί |
Στατιστική
Μηχανική μάθηση
Ποδόσφαιρο
Statistics
Machine learning (ML)
Football
|
| Διαθέσιμο από |
2023-03-26 01:52:13
|
| Ημερομηνία έκδοσης |
30-08-2022
|
| Ημερομηνία κατάθεσης |
2023-03-26 01:52:13
|
| Δικαιώματα χρήσης |
Free access
|
| Άδεια χρήσης |
https://creativecommons.org/licenses/by/4.0/
|