Nicel araştırma · 2023
Expected goals in football: Improving model performance and demonstrating value
Okur sorusu
Bu araştırma, daha önce test edilmemiş oyuncu değeri ve maç içi psikolojik göstergeler gibi ek özelliklerin beklenen gol modellerinin tahmin gücünü önemli ölçüde artırdığını ve xG metriğinin geleneksel istatistiklere kıyasla gelecekteki takım başarısını ölçmede üstün bir araç olduğunu kanıtlamıştır.
Öne çıkanlar
Futbol analitiği son yıllarda kulüplerin transfer stratejilerinden saha içi performans değerlendirmelerine kadar geniş bir yelpazede merkezi bir rol oynamaya başlamıştır. Bu bilimsel hareketin merkezinde yer alan beklenen goller (xG) metriği, her şutun golle sonuçlanma olasılığını ölçmekte kullanılsa da mevcut modellerin büyük bir kısmı oyuncu yeteneği ve psikolojik etkiler gibi kritik değişkenleri dışarıda bırakmaktadır. Bu durum, analitik modellerin özellikle ortalama üstü veya altı takımlar üzerindeki öngörü kapasitesini sınırlamakta ve futbol topluluğu genelinde metriklerin güvenilirliğini tartışmaya açmaktadır.
Bu çalışma, Wyscout ve Transfermarkt gibi veri kaynaklarından elde edilen 2017-18 sezonuna ait Avrupa'nın beş büyük ligindeki tüm şut olaylarını kullanarak xG modellerini iyileştirmeyi hedeflemektedir. Araştırmada lojistik regresyon, çok katmanlı algılayıcı (MLP), rastgele orman ve gradyan artırma (XGBoost) gibi çeşitli makine öğrenmesi algoritmaları uygulanmıştır. Geleneksel mesafe ve açı değişkenlerine ek olarak oyuncu piyasa değerleri, Elo reytingleri ve gol farkı gibi psikolojik baskı unsurları modele dahil edilerek hiperparametre ayarlamalarıyla tahmin doğruluğu en üst düzeye çıkarılmıştır.
Analiz sonuçları, oyuncu piyasa değerinin ve gol farkının model performansında mesafe ve açıdan sonra en etkili değişkenler arasında yer aldığını kanıtlamaktadır. Özellikle Premier Lig ve Bundesliga verilerinde oyuncu yeteneğini temsil eden piyasa değeri, geleneksel bağlamsal değişkenlerden daha yüksek bir önem derecesine sahip çıkmıştır. Ayrıca geliştirilen xG modelinin, bir takımın gelecekteki başarısını ve gol oranını tahmin etmede geleneksel istatistikler olan şut ve gol sayılarından istatistiksel olarak daha üstün performans sergilerken sektör lideri ticari modellerle rekabet edebilecek düzeyde olduğu görülmüştür.
Çalışma, xG metriğinin sadece bir oyun sonu analizi aracı değil, aynı zamanda geleceğe yönelik stratejik bir öngörü aracı olduğunu kanıtlayarak literatüre katkı sağlamaktadır. Psikolojik faktörlerin ve oyuncu kalitesinin dahil edilmesi, analitik modellerin futbolun karmaşık doğasına daha iyi uyum sağlamasına imkân tanımaktadır. Bu bulgular, antrenörlerin ve veri analistlerinin takım performansını değerlendirirken şansa dayalı rastlantısallığı minimize etmelerine ve transfer süreçlerinde daha verimli finansal kararlar almalarına somut bir temel oluştururken literatürdeki yöntem boşluğunu doldurmaktadır.
Çalışma, makine öğrenmesi tabanlı sınıflandırma teorisi üzerine kuruludur ve her bir şut olayını bir olasılık problemine indirger. PlayeRank performansı ve Elo reyting sistemleri gibi mevcut spor analitiği kuramsal altyapılarını kullanarak veri madenciliği ve gradyan artırma algoritmaları aracılığıyla deterministik olmayan spor olaylarını sayısal olarak anlamlandırmaya odaklanır.
Makale, buz hokeyindeki şut sonuçlarını inceleyen Macdonald (2012) ve futbolda gol olasılığını ele alan Green (2012) gibi öncü çalışmaların üzerine inşa edilmiştir. Ayrıca şut mesafesi ve açısının etkilerini inceleyen Rathke (2017) ile spatiotemporal desenleri modelleyen Lucey (2015) ve takım formunu ağırlıklı ortalamalarla hesaplayan Baboota (2019) gibi güncel literatürdeki yöntemleri sentezleyerek geliştirir.
Bu çalışmanın amacı, daha önce test edilmemiş oyuncu yeteneği ve psikolojik özellik değişkenlerini kullanarak beklenen gol modellerini geliştirmek ve bu metriğin gelecekteki maç sonuçlarını tahmin etmedeki üstünlüğünü kanıtlamaktır (Mead et al., 2023).
Bu çalışma, futbol maçlarındaki gol olasılığını hesaplayan beklenen gol modellerini geliştirmek amacıyla machine learning ve istatistiksel sınıflandırma tekniklerini kullanan nicel ve ampirik bir yaklaşım benimsemiştir (Mead et al., 2023).
Beklenen gol modellerinde şutun kaleye olan mesafesi ve kaleye göre açısı, şutun golle sonuçlanma olasılığını belirleyen en baskın ve kritik coğrafi değişkenler olarak öne çıkmaktadır (Mead et al., 2023).
Transfermarkt veri tabanından alınan oyuncu piyasa değeri, xG modellerine dâhil edildiğinde ilk on içerisine giren ve oyuncu yeteneğini yansıtan en başarılı ve etkili ek değişkenlerden biridir (Mead et al., 2023).
Maç içindeki gol farkı değişkeni psikolojik etkiyi temsil eden en önemli faktörlerden biri olup, takım öndeyken veya fark azken şutların gol olma olasılığının arttığını göstermektedir (Mead et al., 2023).
Tüm ligler birleştirilerek oluşturulan en iyi XGBoost modeli, geleneksel şut ve gol metriklerine kıyasla gelecekteki maç sonuçlarını ve takım performansını tahmin etmede çok daha üstün başarı sergilemiştir (Mead et al., 2023).
Araştırma bulguları, futbol maçlarındaki şut sonuçlarının tahmin edilmesinde geleneksel mesafe ve açı değişkenlerinin temel yapı taşını oluşturduğunu, ancak bu temel parametrelere eklenen yeni özelliklerin modelin açıklayıcılığını belirgin biçimde güçlendirdiğini göstermektedir.
Yazarlar, oyuncu piyasa değeri ve maç içi gol farkı gibi daha önce kapsamlı şekilde test edilmemiş unsurların modele dâhil edilmesinin, takımların ve oyuncuların gerçek performans kapasitelerini yakalamada kritik bir rol oynadığını akademik bir perspektifle açıklamaktadır.
Elde edilen sonuçlar, ilgili literatürde yer alan önceki tahmin modelleriyle karşılaştırıldığında, bu çalışmada geliştirilen makine öğrenmesi algoritmalarının rekabetçi düzeyde hata payına sahip olduğunu ve sektör lideri veri sağlayıcıların sonuçlarıyla yarışabileceğini kanıtlamaktadır.
Sonuç olarak, beklenen gol metriğinin yalnızca taktiksel analizler için değil, aynı zamanda kulüplerin finansal kararları ve oyuncu transfer süreçleri açısından da yüksek düzeyde pratik ve analitik değer taşıdığı net bir şekilde ortaya konmuştur.
Yazar, çalışmasında elde ettiği log loss ve Brier skorlarını Noordman tarafından gerçekleştirilen futbol sonuçları tahmin araştırmasıyla karşılaştırmış, kendi geliştirdiği modelin belirli metriklerde daha rekabetçi ve yakın tahmin sonuçları ürettiğini ortaya koymuştur (Mead et al., 2023).
Çalışmanın bulguları, Eggels ve diğer araştırmacıların FIFA video oyunu derecelerini oyuncu yeteneği ve modeli iyileştirme aracı olarak kullandıkları yaklaşımı doğrulamış, ancak bu araştırmada eklenen yeni finansal ve psikolojik özelliklerle model performansının daha da ileri taşındığını göstermiştir (Mead et al., 2023).
Bu çalışma, spor analitiği literatüründe beklenen gol (xG) hesaplamalarını yalnızca geometrik şut parametreleriyle sınırlı tutan geleneksel yaklaşımın ötesine geçerek metodolojik bir yenilik sunmaktadır. Oyuncu yeteneği ve maç içi psikolojik baskı gibi soyut kavramları sayısal göstergelere dönüştüren araştırma, bu tür dinamik değişkenlerin makine öğrenmesi modellerine entegre edilmesinin tahmin gücünü belirgin biçimde artırdığını ampirik olarak göstermektedir. Ayrıca Avrupa'nın beş büyük liginden elde edilen verilerle yapılan karşılaştırmalı analizler, liglerin taktiksel yapılarındaki farklılıkların model değişkenlerinin önem sıralamasını nasıl etkilediğini ortaya koyarak spor istatistiği literatürüne geniş ölçekli bir katkı sağlamaktadır.
Metin, literatürdeki önceki xG çalışmalarını temel almakla birlikte, modellerin üst ve alt seviye takımlar için tahmin üretmedeki zayıflıklarına odaklanarak mevcut sınırlılıkları aşmayı hedeflemektedir. İlgili literatürde oyuncu yeteneği göstergesi olarak kullanılan video oyunu derecelendirmelerinin yerine Transfermarkt piyasa değerlerini ve karmaşık algoritma tabanlı performans skorlarını yerleştirerek veri kalitesini artırmaktadır. Ayrıca skor farkı ve maç önemi gibi psikolojik faktörleri modele dâhil ederek, daha önce Rathke veya Spearman gibi araştırmacılar tarafından ele alınmamış alan içi dinamikleri xG tahmin sürecine dâhil etmektedir.
Literatür taraması yapacak araştırmacılar için bu eser, beklenen gol modellerinin gelişim çizgisini ve veri mühendisliğinin spor istatistiğindeki rolünü gösteren kritik bir referans kaynağıdır. Araştırma, geleneksel istatistikler ile xG metriğinin gelecekteki performansları tahmin etme gücünü doğrudan karşılaştırarak xG metriğinin metodolojik üstünlüğünü ampirik kanıtlarla doğrulamaktadır. Spor yönetimi, veri madenciliği ve performans analizi üzerine çalışan akademisyenler için hem teorik değişken seçimi hem de makine öğrenmesi algoritmalarının performans karşılaştırması açısından bütüncül bir çerçeve sunmaktadır.
Makalenin doğrulanmış yöntemi, bulguları ve kuramsal çerçevesi; tez ve makale çalışmalarında kullanılacağı bölümle birlikte aşağıdaki araştırma taslaklarına dönüştürülmüştür.
Geleneksel xG modellerinin yalnızca mesafe ve açıya dayanmasından kaynaklanan sınırlılıkları açıklamak ve oyuncu yeteneği ile psikolojik faktörlerin modele eklenme gerekçesini savunmak için bu bulgu kullanılabilir (Mead et al., 2023).
Makaleyle bağlantısı: Makalede skor farkı değişkeninin La Liga, Bundesliga ve Serie A modellerinde en önemli ilk beş değişken arasında yer aldığı ve psikolojik baskının şut başarısını etkilediği doğrulanmıştır (Mead et al., 2023).
Spor analitiğinde performans ölçümü yaparken neden geleneksel istatistikler yerine xG metriğinin tercih edilmesi gerektiğini teorik ve istatistiksel temellere oturtmak amacıyla bu kaynak kullanılabilir (Mead et al., 2023).
Makaleyle bağlantısı: Makale bulguları, Transfermarkt piyasa değerinin xG modellerinde şut tipinden ve çoğu olay değişkeninden daha yüksek bir önem derecesine sahip olduğunu ortaya koymuştur (Mead et al., 2023).
Performans göstergelerini zamansal olarak modelleyen araştırmacılar, değişken mühendisliği aşamasında akülatif değerleri doğrudan kullanmak yerine haftalık ya da maç başına normalizasyon yapılması gerektiğini metodoloji bölümünde savunabilirler (Mead et al., 2023).
Makaleyle bağlantısı: Yazarlar sonuç bölümünde, PlayeRank değişkeninin sezonsal birikimli yapısının sezon başında düşük değerler üreterek modeli olumsuz etkilediğini ve haftalık normalizasyon gerektiğini açıkça belirtmiştir (Mead et al., 2023).
Makine öğrenmesi teknikleri, hesaplamalı akışkanlar dinamiği süreçlerinde geleneksel çözümleyicileri tamamen ikame etmek yerine türbülans modelleme ve düşük çözünürlüklü simülasyonların doğruluğunu artırarak süreçleri hızlandırmaktadır.
Soledad Le Clainche ve 5 yazar · Aerospace Science and Technology · Mühendislik ve Teknoloji
Veri seti üzerinde uygulanan makine öğrenimi modelleri arasında topluluk öğrenme teknikleri en yüksek tahmin performansını gösterirken, XGBoost yöntemi 0.9881 test R2 değeri ve 11.95 test RMSE değeri ile en düşük hata oranını ve en kısa eğitim süresini elde etmiştir.
Pedram Agand ve 5 yazar · Ocean Engineering · Mühendislik ve Teknoloji
Bireysel ön-geri getirme sörgü öngörücüleri ile kişiselleştirme performansının değişimi arasında yapılan analizler, tek başına hiçbir öngörücünün güçlü ve tutarlı bir korelasyon sergilemediğini göstermektedir.
Eduardo Vicente-López ve 3 yazar · Journal of Intelligent Information Systems · Mühendislik ve Teknoloji