Agresti, Matteo
(2023)
Football Data Prediction.
[Laurea magistrale], Università di Bologna, Corso di Studio in
Matematica [LM-DM270]
Documenti full-text disponibili:
![[img]](http://amslaurea.unibo.it/style/images/fileicons/application_pdf.png) |
Documento PDF (Thesis)
Disponibile con Licenza: Salvo eventuali più ampie autorizzazioni dell'autore, la tesi può essere liberamente consultata e può essere effettuato il salvataggio e la stampa di una copia per fini strettamente personali di studio, di ricerca e di insegnamento, con espresso divieto di qualunque utilizzo direttamente o indirettamente commerciale. Ogni altro diritto sul materiale è riservato
Download (5MB)
|
Abstract
La Football Analytics, e in particolare la Football Data Analysis, stanno guadagnando sempre più importanza nel mondo del calcio, fornendo strumenti sofisticati al fine di estrarre informazioni rilevanti sulle prestazioni, le tendenze e le caratteristiche delle squadre e dei giocatori. In questa tesi esploriamo tecniche di Machine Learning, cercando di trovare i migliori algoritmi di regressione per effettuare previsioni puntuali delle statistiche di gara e delle "metriche avanzate" della Football Analytics. Vengono anche studiati i migliori metodi per la costruzione di intervalli di confidenza associati alle previsioni puntuali. Applicando gli algoritmi a un dataset contenente statistiche di gara e metriche avanzate relative alle ultime sei stagioni dei top 5 campionati europei, abbiamo che CatBoost, un metodo di Gradient Boosting, risulta il migliore algoritmo per la previsione puntuale, mentre la variante di conformal prediction chiamata Jackknife+ after Bootstrap si dimostra la scelta migliore come algoritmo di costruzione di intervalli di confidenza.
Abstract
La Football Analytics, e in particolare la Football Data Analysis, stanno guadagnando sempre più importanza nel mondo del calcio, fornendo strumenti sofisticati al fine di estrarre informazioni rilevanti sulle prestazioni, le tendenze e le caratteristiche delle squadre e dei giocatori. In questa tesi esploriamo tecniche di Machine Learning, cercando di trovare i migliori algoritmi di regressione per effettuare previsioni puntuali delle statistiche di gara e delle "metriche avanzate" della Football Analytics. Vengono anche studiati i migliori metodi per la costruzione di intervalli di confidenza associati alle previsioni puntuali. Applicando gli algoritmi a un dataset contenente statistiche di gara e metriche avanzate relative alle ultime sei stagioni dei top 5 campionati europei, abbiamo che CatBoost, un metodo di Gradient Boosting, risulta il migliore algoritmo per la previsione puntuale, mentre la variante di conformal prediction chiamata Jackknife+ after Bootstrap si dimostra la scelta migliore come algoritmo di costruzione di intervalli di confidenza.
Tipologia del documento
Tesi di laurea
(Laurea magistrale)
Autore della tesi
Agresti, Matteo
Relatore della tesi
Correlatore della tesi
Scuola
Corso di studio
Indirizzo
CURRICULUM ADVANCED MATHEMATICS FOR APPLICATIONS
Ordinamento Cds
DM270
Parole chiave
Football Data Analysis,Data Science,Football Analytics,Sport Analytics,Machine Learning,Regressione,Intervalli di previsione
Data di discussione della Tesi
21 Luglio 2023
URI
Altri metadati
Tipologia del documento
Tesi di laurea
(NON SPECIFICATO)
Autore della tesi
Agresti, Matteo
Relatore della tesi
Correlatore della tesi
Scuola
Corso di studio
Indirizzo
CURRICULUM ADVANCED MATHEMATICS FOR APPLICATIONS
Ordinamento Cds
DM270
Parole chiave
Football Data Analysis,Data Science,Football Analytics,Sport Analytics,Machine Learning,Regressione,Intervalli di previsione
Data di discussione della Tesi
21 Luglio 2023
URI
Statistica sui download
Gestione del documento: