Preditor de posicionamento de times em campeonatos baseado em temporadas anteriores

• Autor(a) principal: Barp, Thiago
• Data de Publicação: 2022
• Tipo de documento: Trabalho de conclusão de curso
• Idioma: eng
• Título da fonte: Repositório Institucional da UFRGS
• Texto Completo: http://hdl.handle.net/10183/254863
• topic: Futebol; Aprendizagem; Football; Deep Learning; Random Forest

No mundo do futebol é possível ver que poucos clubes acabam dominando a maior parte das ligas do mundo. Nos últimos dez anos os mesmos cinco times que ganharam campeonatos domésticos se repetem. No lado oposto, os outros times acabam lutando para não serem rebaixados ou são times que não são ruins a ponto de serem rebaixados, mas nem bons o suficiente para ganharem títulos. Esse trabalho busca confirmar a seguinte afirmação: é possível predizer com alta acurácia quais times irão ficar entre os quatro primeiros em cada temporada. Para isso será feito uma análise completa dos indicadores que podem afetar esses resultados. Partindo do retrospecto do time na temporada anterior será feita uma base com informações consideradas relevantes, exemplo delas seriam os pontos, gols e a divisão do campeonato que o time se encontra. Posteriormente será feita uma análise sobre os seguintes modelos de Inteligência Artificial: Rede Neural, Floresta Aleatória e Floresta com XGBoost. O primeiro será baseado no modelo de aprendizagem profunda sequencial disponibilizado pelo Keras. O segundo utilizara o modelo Random ForestClassifier desenvolvido no SKLearn. O último utilizará o código disponibilizado pelo XGBoost, o XGBoostClassifier. Com base nos resultados obtidos serão apresenta das conclusões sobre cada um dos modelos e sobre o trabalho em geral. Por último serão apresentadas algumas possibilidades de melhoria para futuros trabalhos, disponibilizando ideias que podem melhorar a acurácia do modelo