2018年世界杯足球賽開賽在即，全世界的球迷都想知道：誰將奪得令人垂涎的冠軍杯？

如果你不僅是個球迷，還是個技術(shù)達人，我猜你已意識到機器學習和AI也是目前的流行語。我們不妨結(jié)合兩者來預(yù)測誰贏得世界杯。

免責聲明：本文不該用于投注或任何財務(wù)決策。你要是選擇這么做，我也不會攔你（如果你中了頭彩，可別忘了我）。

足球比賽涉及好多因素；正因為如此，所有這些因素無法在一個機器學習模型中加以分析。我只是想用數(shù)據(jù)搞一個有趣的項目……

目標

目標是使用機器學習來預(yù)測哪支球隊將贏得2018年世界杯。

預(yù)測今年這屆世界杯每一場比賽的結(jié)果。

模擬下一輪比賽，比如四分之一決賽、半決賽和決賽。

這些目標帶來了一個獨特而實際的機器學習預(yù)測問題，需要解決各項機器學習任務(wù)：數(shù)據(jù)整合、特征建模和結(jié)果預(yù)測。

數(shù)據(jù)

我使用了Kaggle的兩個數(shù)據(jù)集，可以在這里（https://www.kaggle.com/martj42/international-football-results-from-1872-to-2017/data）找到。我們將使用自1930年世界杯開始以來所有參賽球隊的歷史比賽結(jié)果。

局限性：國際足聯(lián)排名是上世紀90年代搞起來的，因此缺少數(shù)據(jù)集的大部分內(nèi)容。于是我們堅持使用歷史比賽記錄。

環(huán)境和工具：jupyter筆記本、numpy、pandas、 seaborn、matplotlib和scikit-learn。

我們先要對兩個數(shù)據(jù)集進行一些探索性分析，做一些特征工程以選擇對預(yù)測最要緊的特征，做一些數(shù)據(jù)處理，選擇一個機器學習模型，最后將模型部署到數(shù)據(jù)集上。

開始動手吧！

要緊的事先說，導(dǎo)入必要的代碼庫，并將數(shù)據(jù)集加載到一個數(shù)據(jù)框。

導(dǎo)入代碼庫

加載數(shù)據(jù)集……

為兩個數(shù)據(jù)集調(diào)用world_cup.head()和results.head()，確保數(shù)據(jù)集已加載到數(shù)據(jù)框中，如下所示：

探索性分析

分析這兩個數(shù)據(jù)集后，得到的數(shù)據(jù)集包含過去比賽的數(shù)據(jù)。因而得到的新的數(shù)據(jù)集對分析和預(yù)測將來的比賽很有用。

探索性分析和特征工程：這需要確定哪些特征對機器學習模型來說很要緊，這是任何數(shù)據(jù)科學項目中最耗時的部分。

現(xiàn)在讓我們將目標差異和結(jié)果這一列添加到結(jié)果數(shù)據(jù)集。

查看新的結(jié)果數(shù)據(jù)框。

然后我們將處理數(shù)據(jù)子集，這部分包括只有尼日利亞參加的比賽。這將幫助我們專注于哪些特性對一個國家來說很要緊，然后擴大到參加世界杯的那些國家。

第一屆世界杯在1930年舉辦。為年份創(chuàng)建一個列，并選擇1930年以后的所有比賽。

現(xiàn)在我們可以直觀顯示歷年來尼日利亞最常見的比賽結(jié)果。

獲得每個參賽國家的勝率是一個有用的指標，我們可以用它來預(yù)測每場比賽的最有可能的結(jié)果。

比賽場地關(guān)系不大。

范圍縮小到參加世界杯的球隊

為所有參與球隊創(chuàng)建一個數(shù)據(jù)框。

然后，我們會進一步過濾結(jié)果數(shù)據(jù)框，只顯示1930年起出現(xiàn)在今年世界杯上的球隊，并擯棄重復(fù)的球隊。

創(chuàng)建年份列，擯棄1930年之前的比賽，并擯棄不會影響比賽結(jié)果的列，比如date、home_score、away_score、tournament、city、country、goal_difference和match_year。

修改“Y”（預(yù)測標簽），以便簡化我們模型的處理。

如果主隊獲勝，winner_team列將顯示“2”，如果是平局，顯示“1”，如果客隊贏，則顯示“0”。

通過設(shè)置偽變量，將home_team和_team從分類變量轉(zhuǎn)換成連續(xù)輸入。

使用pandas以及get_dummies()函數(shù)。它將分類列轉(zhuǎn)換成獨熱（one-hot，數(shù)字“1”和“0”）表示，讓它們能夠加載到Scikit學習模型中。

然后，我們將X級和Y組分開，將數(shù)據(jù)分成70%是訓練數(shù)據(jù)，30%是測試數(shù)據(jù)。

我們將使用邏輯回歸，這是一種分類器算法。這個算法如何工作？它通過使用邏輯函數(shù)來估計概率，從而度量分類因變量和一個或多個自變量之間的關(guān)系。具體來說是累計邏輯分布。

換句話說，在給出可能影響結(jié)果的一組數(shù)據(jù)點的情況下，邏輯回歸試圖預(yù)測結(jié)果（贏或輸）。

實際上其工作方式是，你每次為算法饋送一次比賽，同時饋送上述的“數(shù)據(jù)集”和比賽的實際結(jié)果。然后，模型學習你饋送的每一個數(shù)據(jù)如何積極或消極地影響比賽結(jié)果，影響多大。

饋送足夠多的好數(shù)據(jù)，你就有了可以用來預(yù)測未來結(jié)果的模型。

模型的好壞取決于饋送給它的數(shù)據(jù)。

不妨看一下最后的數(shù)據(jù)框：

看起來很棒?，F(xiàn)在我們準備將這個傳遞給我們的算法：

我們的模型在訓練集上的準確率為57%，在測試集上的準確率為55%。這看起來不太好，但暫且不用管它。

這時候，我們將創(chuàng)建一個數(shù)據(jù)框，我們將部署模型。

我們先開始加載截至2018年4月的國際足聯(lián)排名數(shù)據(jù)集（https://us.soccerway.com/teams/rankings/fifa/?ICID=TN_03_05_01）和含有從這里（https://fixturedownload.com/results/fifa-world-cup-2018）獲得的小組賽階段保留球隊的數(shù)據(jù)集。排名較高的球隊將被視為比賽的“熱門”，因此它們放在“home_teams”這一列，這是由于世界杯比賽中沒有“主隊”或“客隊”。然后，我們根據(jù)每支球隊的排名位置將球隊添加到新的預(yù)測數(shù)據(jù)集。下一步將創(chuàng)建偽變量，并部署機器學習模型。

預(yù)測比賽

現(xiàn)在你想知道我們怎么來預(yù)測？碼了那么多代碼，說了那么多，你啥時預(yù)測比賽？好了，馬上預(yù)測比賽了。

將模型部署到數(shù)據(jù)集

我們先將模型部署到小組賽。

這是小組賽的結(jié)果。

模型預(yù)測三場平局，它還在葡萄牙和西班牙之間穩(wěn)妥下注，但認為西班牙勝率高。我用該網(wǎng)站（https://ultra.zone/2018-FIFA-World-Cup-Group-Stage）來模擬小組賽的比賽。

下面是模擬16輪淘汰賽。

模型預(yù)測四分之一決賽在這些球隊之間進行：葡萄牙對陣法國、巴西對陣英格蘭、西班牙對陣阿根廷和德國對陣比利時。

預(yù)測如下：

半決賽

葡萄牙對陣巴西和德國對陣阿根廷

預(yù)測：

最后是總決賽

巴西對陣德國

預(yù)測：

根據(jù)這個模型，巴西很可能贏得這屆世界杯。

轉(zhuǎn)自：云頭條