A carregar...
Publicação
Beyond the pitch predictive and explainable AI applications in football analytics
| Nome: | Descrição: | Tamanho: | Formato: | |
|---|---|---|---|---|
| 2.45 MB | Adobe PDF |
Autores
Orientador(es)
Resumo(s)
The application of machine learning in football analytics has significantly advanced, yet challenges remain in achieving a balance between predictive accuracy and interpretability. This thesis investigates the effectiveness of predictive models and explainable AI (XAI) techniques in forecasting football match outcomes and providing actionable insights for managerial decision-making. Historical match data, player statistics, and ELO ratings from the English Premier League (2017–2024) serve as the foundation for developing and evaluating machine learning models, including Random Forest, Gradient Boosting, and XGBoost. Explainable AI techniques, such as SHAP (SHapley Additive exPlanations), are applied to interpret model outputs both globally and locally, revealing key predictors of match outcomes, including ELO differences, expected goals, and positional metrics. Formation simulations are utilized to assess the impact of various team setups on predicted outcomes, offering practical insights into tactical decision-making. Results indicate that XGBoost achieves the highest predictive accuracy (55.2%), comparable to bookmaker odds provided by Bet365. SHAP visualizations enhance the interpretability of model outputs, identifying the features most influential in determining predictions and supporting more transparent decision-making processes. This research demonstrates the potential of combining predictive analytics with XAI to optimize tactical planning, improve player deployment, and refine strategic operations. By bridging the gap between complex predictive models and actionable insights, the study provides a robust framework for advancing data-driven decision-making in football analytics.
A aplicação de machine learning na análise de futebol tem avançado significativamente, mas ainda enfrenta desafios em equilibrar precisão preditiva e interpretabilidade. Esta tese explora a eficácia de modelos preditivos e de técnicas de inteligência artificial explicável (XAI) na previsão de resultados de jogos de futebol e na geração de insights para a tomada de decisões de gestão. Utilizam-se dados históricos da Premier League Inglesa (2017–2024), abrangendo estatísticas de jogos, métricas de jogadores e classificações ELO, para desenvolver modelos de machine learning, incluindo Random Forest, Gradient Boosting e XGBoost. As técnicas de XAI, como SHAP (SHapley Additive exPlanations), interpretam os resultados dos modelos global e localmente, identificando preditores-chave como diferenças de ELO, golos esperados e métricas posicionais. Simulações de formações são realizadas para avaliar o impacto de diferentes configurações de equipa nos resultados previstos, gerando insights práticos para decisões táticas. Os resultados demonstram que o XGBoost alcança a maior precisão preditiva (55,2%), comparável às probabilidades da Bet365. Visualizações do SHAP aumentam a interpretabilidade, destacando as características mais influentes nas previsões e promovendo decisões mais transparentes. Este estudo comprova o potencial de integrar análises preditivas com XAI para otimizar o planeamento tático, aprimorar a gestão de jogadores e refinar operações estratégicas. Ao combinar modelos avançados com insights acionáveis, esta investigação fornece uma estrutura robusta para decisões baseadas em dados na análise de futebol.
A aplicação de machine learning na análise de futebol tem avançado significativamente, mas ainda enfrenta desafios em equilibrar precisão preditiva e interpretabilidade. Esta tese explora a eficácia de modelos preditivos e de técnicas de inteligência artificial explicável (XAI) na previsão de resultados de jogos de futebol e na geração de insights para a tomada de decisões de gestão. Utilizam-se dados históricos da Premier League Inglesa (2017–2024), abrangendo estatísticas de jogos, métricas de jogadores e classificações ELO, para desenvolver modelos de machine learning, incluindo Random Forest, Gradient Boosting e XGBoost. As técnicas de XAI, como SHAP (SHapley Additive exPlanations), interpretam os resultados dos modelos global e localmente, identificando preditores-chave como diferenças de ELO, golos esperados e métricas posicionais. Simulações de formações são realizadas para avaliar o impacto de diferentes configurações de equipa nos resultados previstos, gerando insights práticos para decisões táticas. Os resultados demonstram que o XGBoost alcança a maior precisão preditiva (55,2%), comparável às probabilidades da Bet365. Visualizações do SHAP aumentam a interpretabilidade, destacando as características mais influentes nas previsões e promovendo decisões mais transparentes. Este estudo comprova o potencial de integrar análises preditivas com XAI para otimizar o planeamento tático, aprimorar a gestão de jogadores e refinar operações estratégicas. Ao combinar modelos avançados com insights acionáveis, esta investigação fornece uma estrutura robusta para decisões baseadas em dados na análise de futebol.
Descrição
Palavras-chave
Explainable AI Football match prediction Inteligência artificial explicável Machine learning Previsão de resultados de futebol XGBoost
Contexto Educativo
Citação
Editora
Licença CC
Sem licença CC