Maskininlärning förutspår VM-vinnare

Matthias Hangst | Getty

Fotbolls-VM 2018 startar i Ryssland på torsdag och kommer sannolikt att bli ett av de mest sedda sportevenemangen i historien, mer populärt till och med än OS. Så de potentiella vinnarna är av stort intresse.

Ett sätt att mäta sannolika utfall är att titta på bookmakers odds. Dessa företag använder professionella statistiker för att analysera omfattande databaser med resultat på ett sätt som kvantifierar sannolikheten för olika utfall av en eventuell matchning. På så sätt kan bookmakers erbjuda odds på alla spel som kommer att dra igång de närmaste veckorna, samt odds på potentiella vinnare.

En ännu bättre uppskattning kommer från att kombinera oddsen från många olika bookmakers. Detta tillvägagångssätt tyder på att Brasilien är den klara favoriten att vinna VM 2018, med en sannolikhet på 16,6 procent, följt av Tyskland (12,8 procent) och Spanien (12,5 procent).

Men på senare år har forskare utvecklat maskininlärningstekniker som har potential att överträffa konventionella statistiska metoder. Vad förutspår dessa nya tekniker som det troliga resultatet av VM 2018?

Ett svar kommer från Andreas Grolls arbete vid Dortmunds tekniska universitet i Tyskland och några kollegor. Dessa killar använder en kombination av maskininlärning och konventionell statistik, en metod som kallas en random-forest approach, för att identifiera en annan mest trolig vinnare.

Först lite bakgrund. Slumpmässig-skogstekniken har dykt upp de senaste åren som ett kraftfullt sätt att analysera stora datamängder samtidigt som man undviker några av fallgroparna med andra datautvinningsmetoder. Den bygger på idén att någon framtida händelse kan bestämmas av ett beslutsträd där ett utfall beräknas vid varje gren med hänvisning till en uppsättning träningsdata.

Beslutsträd lider dock av ett välkänt problem. I de senare stadierna av förgreningsprocessen kan beslut bli allvarligt förvrängda av träningsdata som är sparsamma och utsatta för enorma variationer vid denna typ av upplösning, ett problem som kallas överanpassning.

Tillvägagångssättet med slumpmässig skog är annorlunda. Istället för att beräkna resultatet vid varje gren, beräknar processen resultatet av slumpmässiga grenar. Och det gör det många gånger, varje gång med en annan uppsättning slumpmässigt valda grenar. Slutresultatet är medelvärdet av alla dessa slumpmässigt konstruerade beslutsträd.

Detta tillvägagångssätt har betydande fördelar. För det första lider den inte av samma övermonteringsproblem som plågar vanliga beslutsträd. Den visar också vilka faktorer som är viktigast för att bestämma resultatet.

Så om ett visst beslutsträd innehåller massor av parametrar blir det lätt att se vilka som har störst inverkan på resultatet och vilka som inte gör det. Dessa mindre viktiga faktorer kan sedan ignoreras i framtiden.

Groll och co använder exakt detta tillvägagångssätt för att modellera VM 2018. De modellerar resultatet av varje match som lagen sannolikt kommer att spela och använder resultaten för att konstruera turneringens mest sannolika förlopp.

Groll och co börjar med ett brett utbud av potentiella faktorer som kan avgöra resultatet. Dessa inkluderar ekonomiska faktorer som ett lands BNP och befolkning, FIFA:s rankning av landslag och lagens egenskaper, som deras medelålder, antalet Champions League-spelare de har, om de har hemmafördel osv. .

Intressant nog tillåter slumpmässig-skogsmetoden Groll och co att inkludera andra rankningsförsök, som rankingen som används av bookmakers.

Att koppla in allt detta i modellen ger några intressanta insikter. Till exempel visar sig de mest inflytelserika faktorerna vara lagrankingen som skapats av andra metoder, inklusive de från bookmakers, FIFA och andra.

Andra viktiga faktorer inkluderar BNP och antalet Champions League-spelare i laget. Oviktiga faktorer inkluderar landets befolkning, tränarens nationalitet och så vidare.

De förutsägelser som kommit fram genom denna process skiljer sig från andra på några viktiga sätt. Till att börja med väljer random-forest-metoden ut Spanien som den mest sannolika vinnaren, med en sannolikhet på 17,8 procent.

En stor faktor i denna förutsägelse är dock själva turneringens struktur. Om Tyskland klarar gruppfasen av tävlingen är det mer sannolikt att möta starkt motstånd i 16-lags utslagsfasen. På grund av detta beräknar random-forest-metoden Tysklands chanser att nå kvartsfinal till 58 procent. Däremot är det osannolikt att Spanien kommer att möta starkt motstånd i finalen 16 och har därför en chans på 73 procent att nå kvartsfinal.

Om båda tar sig till kvartsfinal har de en mer eller mindre lika chans att vinna. Spanien är något gynnat framför Tyskland främst på grund av att Tyskland har en jämförelsevis stor chans att hoppa av i omgången av sexton, säger Groll och co.

Men det finns en ytterligare twist. Den slumpmässiga trädprocessen gör det möjligt att simulera hela turneringen, och detta ger ett annat resultat.

Groll och co simulerade hela turneringen 100 000 gånger. Enligt den mest troliga turneringsbanan skulle det tyska laget i stället för det spanska vinna VM, säger de.

Naturligtvis, på grund av det enorma antalet permutationer av spel, är denna kurs fortfarande extremt osannolik. Groll och co sätter oddsen på cirka 1 på 100 000.

Så där har du det. I början av turneringen har Spanien de bästa vinstchanserna, enligt Groll och co. Men om Tyskland tar sig till kvartsfinal så blir det ledande.

Turneringen drar igång på torsdag, då värdarna Ryssland tar sig an Saudiarabien. Tyvärr verkar inget av dessa lag sannolikt att nå kvartsfinal.

Ref: arxiv.org/abs/1806.03208 : Förutsägelse av fotbolls-VM 2018 – En slumpmässig skoglig strategi med betoning på uppskattade lagförmågasparametrar

Dölj