Aplicação de machine learning para identificar variáveis de maior impacto na variação do valor de mercado de jogadores de futebol

• Autor(a) principal: Allegretti, Felipe
• Data de Publicação: 2023
• Tipo de documento: Trabalho de conclusão de curso
• Idioma: por
• Título da fonte: Repositório Institucional da UFRGS
• Texto Completo: http://hdl.handle.net/10183/267679
• topic: Aprendizado de máquina; Avaliação econômica; Jogadores de futebol

Jogadores de futebol possuem características de desempenho variadas e complexas que influenciam seu potencial de valorização no mercado. A diversidade nas características decorre de fatores como estilo de jogo, peculiaridades dos campeonatos e estratégias de treinamento. Esta multiplicidade torna desafiador prever e avaliar sua variação monetária, exigindo técnicas analíticas robustas. O estudo atual se desenrola em duas fases: inicialmente, a validação de técnicas preditivas supervisionadas - Regressão Linear Múltipla, K-Vizinhos Mais Próximos e Floresta Aleatória - com base nos dados disponíveis; em seguida, o treinamento e análise da técnica mais eficaz focada numa posição específica. A Floresta Aleatória demonstrou ser a abordagem de melhor desempenho médio (R²=0,87 e MAE=€1.818.917) e foi empregada para discernir a importância de diversas características na previsão da variação de valor de mercado dos meio-campistas. Dentro dos resultados obtidos, o modelo direcionado ao campeonato da Bundesliga foi o mais destacado, com R² de 0,89 e MAE de €1.703.015. Constatou-se que a idade do jogador é o fator mais determinante na sua valorização. Adicionalmente, os campeonatos exibem perfis distintos na valorização dos meio-campistas: Bundesliga e La Liga enfatizam ações ofensivas, enquanto Premier League e Serie A valorizam a construção de jogadas.