بناء نموذج تعلم آلة (k-NN) للتنبؤ بنتائج مباريات الدوري الإنجليزي الممتاز

يهدف هذا المشروع إلى استكشاف فعالية نماذج تعلم الآلة في التنبؤ بنتائج مباريات كرة القدم في الدوري الإنجليزي الممتاز ، وذلك بهدف تقديم أداة موثوقة لمحللي كرة القدم والمشجعين ومجتمع لعبة "فانتازي الدوري الإنجليزي" (FPL).

المنهجية والتقنية المستخدمة:

تم الاعتماد على خوارزمية

k-Nearest Neighbors (k-NN)، وهي إحدى خوارزميات التعلم الخاضع للإشراف، لتصنيف نتائج المباريات (فوز، خسارة، أو تعادل).

يعمل النموذج عن طريق تحليل أداء الفرق الحديث ومقارنته بالمباريات التاريخية المشابهة في مجموعة البيانات.

تم تدريب النموذج على بيانات شاملة من موسمي 2020/2021 و2021/2022 للدوري الإنجليزي الممتاز.

شملت العوامل الرئيسية المستخدمة في التنبؤ: الفريق وخصمه، مكان المباراة (داخل أو خارج الملعب)، التشكيلة المتبعة، الأهداف المسجلة (GF)، الأهداف المستقبلة (GA)، والأهداف المتوقعة (xG و xGA).

النتائج والأداء:

أظهر النموذج قدرة عالية على فهم الديناميكيات المعقدة للدوري الإنجليزي وحقق نتائج أداء متميزة ، أبرزها:

معدل دقة (Accuracy) يصل إلى 85.1%.

معدل حساسية (Sensitivity/Recall) يصل إلى 81.2%.

الخلاصة:

يخلص هذا البحث إلى أن نموذج k-NN يمثل نهجًا واعدًا وفعالاً للتنبؤ بنتائج المباريات. ورغم صعوبة التنبؤ المطلق في عالم كرة القدم المليء بالمفاجآت ، يقدم هذا المشروع رؤى قيمة وأساساً متيناً للاستفادة من تعلم الآلة في فهم اللعبة بشكل أعمق ودعم عمليات اتخاذ القرار.