Avaliação de Jogadores e Equipas de Basquetebol usando Machine Learning

• Autor(a) principal: Silva, Luís Rodolfo Nogueira e
• Data de Publicação: 2022
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
• Texto Completo: http://hdl.handle.net/10400.22/22188
• topic: Machine Learning; CRISP-DM; Rating; Pontos; Random forest; Gradient Boosted; Simple Regression; Numeric Scorer; Accuracy; Previsão; Points; Prediction

Ao longo das últimas décadas, o basquetebol passou por uma evolução que transformou o que era um desporto para um negócio com enorme impacto social e financeiro. Essa transformação, aliada à constante necessidade de obter sucesso desportivo, criou a necessidade de inovação por parte de um clube desportivo de forma a distanciar-se dos seus adversários e de conquistar títulos e alcançar um maior lucro financeiro. A enorme quantidade de dados impossibilita a análise detalhada por um especialista e requer a utilização de meios computacionais para extrair informação valiosa. Alguns clubes já utilizam machine learning, mas este processo ainda se encontra numa fase inicial. Neste sentido, existe um enorme potencial para o tratamento e posterior valorização dos dados. A maioria das instituições desportivas identificaram a necessidade de capacidade técnica na análise de vastas fontes de informação, de forma que, as decisões tomadas sejam o mais fundamentadas possível, e, consequentemente, haja uma diminuição dos riscos na tomada das mesmas. Esta dissertação procura resolver este problema, e, com recurso ao mahine learning, mais concretamente do auxílio da metodologia CRISP-DM, passa pelo desenvolvimento de modelos de previsão de um rating de qualidade de um jogador e de equipa baseado em estatísticas de jogo, como por exemplo o número de pontos por jogo, com recurso a um modelo de previsão das mesmas. É também desenvolvido um modelo de previsão de resultados de jogos de basquetebol, tendo como base estatísticas de cada equipa, envolvendo diversas variáveis, de forma a tornar o modelo o mais robusto possível, e com uma maior flexibilidade.