YYDS！用Python预测了世界杯冠军

来源：机器学习AI算法工程

该项目所属数据挖掘类型：分类预测问题。

通过对2018年之前世界杯各个国家球队的表现以及比分结果进行数据分析，并结合以往各个球队在历届世界杯中的表现，通过机器学习算法建立模型，并对其进行评价以及模型优化之后，进行模拟2022年卡塔尔世界杯的冠军球队的归属。

首先从Kaggle网站上找到合适的历年世界杯的比赛结果数据集。

网址：https://www.kaggle.com/abecklas/fifa-world-cup

该数据存在诸多多余的属性：如比赛年份，比赛场地等。我们首先去掉无关的属性，只留下：主队、客队、主队进球数、客队进球数，比赛结果。其中结果集分为1为主队获胜，2为客队获胜，-1为平局。

此时，我们发现仅有主场客场比分并不能很好地分析每个队的实力，所以我们要进行数据统计，找出新的特征值来扩充数据集。

数据扩充

首先我们计算每个国家的参赛次数

合并后生成的tr_data_after.csv中内容为：主队、客队、主队参赛次数、客队参赛次数、主队胜利次数、客队胜利次数、主队进球数、客队进球数、主队胜率、客队胜率、主队场均进球、客队场均进球、比赛结果。

数据预处理

其中标准分数（z-score）是一个分数与平均数的差再除以标准差的过程。
用公式表示为：z=(x-μ)/σ。
其中x为某一具体分数，μ为平均数，σ为标准差。

预处理后的数据存放至play_score_normal.csv中：

机器学习模型

此处使用了神经网络、逻辑回归、支持向量机、决策树、随机森林算法分别进行训练。并输出其在训练集上的准确度、在测试集上的准确度以及平均绝对误差。

此时发现结果并不理想，准确度仅为六成左右。

误差原因分析：

（尝试方法一）分别输出以上机器学习算法的学习曲线：

结果图上可以看出，随着数据量的增加，三组模型虽然趋近于收敛，但是在训练集和检验集上准确度表现都很差，仅有0.58左右。这预示着存在着很高的偏差，是欠拟合的表现。

决策树学习曲线：

决策树和随机森林出现了高方差情形，也就是过拟合的情况。这都预示着我们要找到正确率低原因，并且优化我们的模型。

（尝试方法二）输出灰色关联矩阵：

统计出每个特征关联度的均值后，我们发现大部分的特征关联度都在0.738021~0.710410之间，也就是说大部分特征都与结果呈现出了相对较高的关联性。

这也意味着已有的数据源的特征关联度对之前模型的影响是有限的。

（尝试方法三）以上两种方法进一步缩小了误差原因，于是重新分析测试集与预测结果如图：

测试集：蓝色的*

预测结果：红色的o

发现在预测平局方面，算法预测结果有着较大的误差。于是我们推测由于结果集中的平局拉低了模型的准确度。

进一步查询有关资料发现，我们所使用的决策树算法，随机森林算法，还有逻辑回归，都典型二分类的算法。而此时我们的结果集有三类。

我们重新检查数据源，发现平局的情况仅有199条，而仅凭借着这些较少数据量去很好的训练数据是不合适的。于是我们开始探讨简化结果集即去掉平局结果的可行性。

在充分了解世界杯的规则后，从16强开始，就意味着告别了小组赛，开始了淘汰赛。如遇到平局，就开始加时赛以及点球大战。即比赛结果只有胜负两种结果。而数据集中的比赛结果是将点球大战排除在外的90分钟内的比赛结果。所以含有平局的情况。

模型改良

将play_score_normal.csv中所有的结果集为-1（即平局的数据去掉）

重新采用上述机器学习算法进行训练学习。

训练结果如下：

神经网络：

• 训练集准确度:0.570

• 测试集准确度:0.570

• 平均绝对误差: 0.5740740740740741

逻辑回归：

• 训练集准确度:0.554

• 测试集准确度:0.622

• 平均绝对误差: 0.5296296296296297

决策树:

• 训练集准确度:0.894

• 测试集准确度:0.407

• 平均绝对误差: 0.8074074074074075

随机森林:

• 训练集准确度:0.894

• 测试集准确度:0.485

• 平均绝对误差: 0.7111111111111111

SVM支持向量机:

• 训练集准确度:0.592

• 测试集准确度:0.530

• 平均绝对误差: 0.6222222222222222

由上可见，准确度有了略微的提升，但这还不是我们想要达到的准确度。于是我们继续研究，并尝试使用深度学习算法继续提升模型的准确度。

深度神经网络

于是我们使用了Sequential模型，它是多个网络层的线性堆叠，通过堆叠许多层，构建出深度神经网络。

正确率已经能够到达92%。但需要进一步的调参，找到更合适的参数，防止过拟合。

接下来我们暂时用此模型，对世界杯的结果进行模拟预测。

冠军预测

对于2022年的16强队的选择，考虑到近几年球队的数据更能反映出该球队的状态，于是我们统计了近几年（2002-2018）年共5次世界杯进入16强次数最多的队伍。

从16支队伍里面随机选中8支队伍，分为两队：

从数据集里面找到这16支队伍相对应的数据：

比赛的两支队伍的数据进行合并用作待预测数据，并使用深度学习算法进行预测：

代码+数据集在公众号Python小二后台回复世界杯获取~

以上预测结果仅为参考，原因如下：

1、数据量较少。

2、小组赛是由抽签结果确定的，而且分为了各个地区（如亚洲区、欧州区），抽签的结果无法预测，即每个队伍有特定地区的对手，且是由抽签决定的。

3、本预测结果16强队均为历史上进入16强次数最多的队伍，且比赛时为两两随机比赛，而真正进入世界杯16强队伍中会有很多“黑马”杀入，并且有很多洲际规则需要考虑。

若要真正预测结果，则需等待小组分组结果后，决出16强或32强。这样会比较然后将其球队数据代入，最终决出冠军。

• ???? Python 毕设实战项目

• ???? Python 练手必备神器

• ???? Python 爬虫实战必备神器