世界盃預測，其實很簡單

17 人贊了文章

「 你們看到的世界盃，其實都是錄播的。你們想想，大晚上的哪來的太陽！」

今天我們來扯一扯，如何用一個簡單的機器學習模型，預測世界盃比賽的結果。

01 問題定義

為了預測比賽勝負，我們需要將預測勝負的問題，進行一個合理的數學建模。

正常來說，一場足球比賽只可能有三種結果，即勝、負、平，在這種情況下，我們可以將預測勝負的問題定義為一個分類問題，即給定一場比賽的對陣雙方，預測比賽結果屬於勝、負、平三種的哪一類。

在機器學習中，分類問題可以定義為，利用一組已知的樣本輸入 X 和對應的類別 Y，構建一個分類器，預測一個未知樣本 x 對應的類別。

從這個定義我們可以看出，在預測比賽勝負之前，我們需要一些已知樣本來構建一個分類器，這組已知的樣本，通常被稱為訓練集，需要預測結果的樣本，通常被稱為測試集。

對於世界盃預測的問題，我們已經有了一組需要預測結果的比賽，這些比賽就構成了我們的測試集。但是，我們還沒有訓練集，還不能構建分類器進行預測。

02 數據收集

為了構建分類器，我們需要收集一個訓練集。

一般來說，當訓練集和測試集的分布比較接近時，我們能得到一些比較靠譜的結果。

對於世界盃比賽，可以用以前世界盃比賽的數據作為訓練集。不過，一屆世界盃才64場比賽，這樣的數據實在是太少，在數據較少的情況下，得到的分類器通常效果較差，預測的很不靠譜。為此，我們需要收集一些額外的數據進行補充。

對於額外數據的選擇，我們從以下兩方面出發進行考慮。

第一，世界盃比賽是成年國家隊之間的比賽，因此，我們應該補充一些成年國家隊之間的比賽，如大型杯賽，友誼賽等；像聯賽和青少年比賽的數據，由於分布不同，所以不太適合作為訓練集。

第二，足球比賽規則和戰術流派在不斷變化，用20年前的比賽結果預測現在的世界盃，分布差異太大，可能也不太靠譜。

基於上述兩方面考慮，我們的訓練集採用以下數據：

1. 14年、18年世界盃預選賽
2. 14年世界盃
3. 12年、16年歐洲杯
4. 16年歐洲杯預選賽
5. 15年、16年美洲杯
6. 13年、17年聯合會杯
7. 15年、17年中北美金杯
8. 17年非洲杯
9. 15年亞洲杯
10. 17年、18年國家隊友誼賽

為了獲得這些數據，我們從一個專業的足球數據網站：http://whoscored.com，利用爬蟲拿到了這些比賽的時間、結果、雙方的出場球員以及球員的相關統計數據。

這些數據大約有2000場左右。

03 特徵選擇

有了訓練集的數據，我們需要構造一些簡單的特徵，對比賽結果進行預測。這些特徵，應該與比賽結果比較相關。

首先，比賽球隊本身就是一個很好的特徵，當我們聽說比賽的隊伍是巴西隊和中國隊的時候，不用想出場的球員是誰，十有八九就能預測中國隊不太行。

接著，上場球員實力也是一個不錯的特徵，阿根廷踢德國的比賽，如果梅西不上，可能大家也不太會看好阿根廷。

再來，球隊的板凳深度應該也是一個有用的特徵，能在歐冠決賽把貝爾按在替補席上的皇馬，獲勝也在情理之中。

那麼，綜合以上想法，我們的特徵其實就不難想像：

1. 兩組ID特徵：球隊1的ID，球隊2的ID
2. 球隊1首發球員當年在聯賽的平均數據
3. 球隊1替補球員當年在聯賽的平均數據
4. 球隊2首發球員當年在聯賽的平均數據
5. 球隊2替補球員當年在聯賽的平均數據

對於球員，其平均統計數據有13組，分別是：身高、體重、出場次數、助攻數、進球數、傳球成功率、射門數、爭頂頭槌成功率、最佳球員次數、出場時間、替補次數、賽後評分、排名。

在處理特徵過程中，對於一些特別弱的國家，其比賽和球員數據可能有所缺失，為此，我們去掉了一些數據完全缺失的比賽，以免對預測結果產生影響。

04 模型訓練

有了特徵，我們就可以用模型構造一個分類器進行訓練。

由於我們的訓練數據只有2000條左右，為了豐富數據量，我們做了一個簡單的數據擴展，即將球隊1和球隊2的特徵互換，得到一條新數據，這樣我們就將訓練集從2000條擴展到了4000條。

在模型的選擇上，由於數據量和數據維度不大，一些傳統分類演算法就能取得不錯的效果。基於對效果的比較，我們最終選用了基於集成學習的AdaBoost演算法，訓練一個模型預測結果。

俗話說，三個臭皮匠，頂個諸葛亮。AdaBoost演算法可以看成是多個弱分類器（這裡用的是CART決策樹）的集成。簡單來說，AdaBoost先用一個弱分類器得到一組分類結果，然後根據這組結果，對出錯的樣本進行加權，得到下一個弱分類器。最後，通過對所有弱分類器的加權平均，我們能得到一組不錯的結果。

在使用AdaBoost演算法時，我們對球隊ID進行了獨熱編碼的處理，即將ID轉化成了一個長度為N的單位向量（N是球隊ID的總數）。

05 模型預測

訓練好分類器後，我們可以對比賽的結果進行預測。

對於未知的比賽，由於我們不能提前知道世界盃比賽雙方的首發陣容，因此，在預測時，我們只能用該隊最近時間的一次比賽的數據進行模擬計算。

最終模型預測的結果如下：

在日本與塞內加爾比賽前，該模型的準確率為0.767。

至於後面的比賽蒙的準不準，讓我們拭目以待吧。

06 總結

本文純屬一本正經地胡說八道，對於預測結果的準確性，概不負責。

畢竟，足球是圓的，出現什麼結果都是正常的！本導演說了也不算數啊！

「王秘書，給球員的盒飯準備好了嗎？跟他們說，今天加雞腿！」

推薦閱讀：