211service.com
Machine learning voorspelt WK-winnaar
Matthias Hangst | Getty
Het WK voetbal 2018 begint donderdag in Rusland en wordt waarschijnlijk een van de meest bekeken sportevenementen in de geschiedenis, populairder zelfs dan de Olympische Spelen. Dus de potentiële winnaars zijn van groot belang.
Een manier om de waarschijnlijke resultaten te meten, is door naar de odds van bookmakers te kijken. Deze bedrijven gebruiken professionele statistici om uitgebreide databases met resultaten te analyseren op een manier die de waarschijnlijkheid van verschillende uitkomsten van een mogelijke match kwantificeert. Op deze manier kunnen bookmakers kansen bieden op alle spellen die de komende weken van start gaan, evenals kansen op potentiële winnaars.
Een nog betere schatting komt van het combineren van de kansen van veel verschillende bookmakers. Deze benadering suggereert dat Brazilië de duidelijke favoriet is om het WK 2018 te winnen, met een kans van 16,6 procent, gevolgd door Duitsland (12,8 procent) en Spanje (12,5 procent).
Maar in de afgelopen jaren hebben onderzoekers machine learning-technieken ontwikkeld die het potentieel hebben om conventionele statistische benaderingen te overtreffen. Wat voorspellen deze nieuwe technieken als de waarschijnlijke uitkomst van het WK 2018?
Een antwoord komt uit het werk van Andreas Groll aan de Technische Universiteit van Dortmund in Duitsland en enkele collega's. Deze jongens gebruiken een combinatie van machine learning en conventionele statistieken, een methode die een random-forest-benadering wordt genoemd, om een andere meest waarschijnlijke winnaar te identificeren.
Eerst wat achtergrond. De random-forest-techniek is de afgelopen jaren naar voren gekomen als een krachtige manier om grote datasets te analyseren en tegelijkertijd enkele valkuilen van andere datamining-methoden te vermijden. Het is gebaseerd op het idee dat een toekomstige gebeurtenis kan worden bepaald door een beslissingsboom waarin een uitkomst wordt berekend voor elke tak op basis van een reeks trainingsgegevens.
Beslisbomen hebben echter een bekend probleem. In de laatste stadia van het vertakkingsproces kunnen beslissingen ernstig worden vervormd door het trainen van gegevens die schaars zijn en vatbaar zijn voor enorme variatie bij dit soort resolutie, een probleem dat bekend staat als overfitting.
De random-forest-benadering is anders. In plaats van de uitkomst bij elke vertakking te berekenen, berekent het proces de uitkomst van willekeurige vertakkingen. En het doet dit vele malen, elke keer met een andere set willekeurig geselecteerde takken. Het uiteindelijke resultaat is het gemiddelde van al deze willekeurig geconstrueerde beslisbomen.
Deze aanpak heeft belangrijke voordelen. Ten eerste heeft het niet hetzelfde overfitting-probleem dat gewone beslissingsbomen plaagt. Het laat ook zien welke factoren het belangrijkst zijn bij het bepalen van de uitkomst.
Dus als een bepaalde beslisboom veel parameters bevat, wordt het gemakkelijk om te zien welke de grootste impact hebben op de uitkomst en welke niet. Deze minder belangrijke factoren kunnen dan in de toekomst worden genegeerd.
Groll en co gebruiken precies deze aanpak om het WK 2018 te modelleren. Ze modelleren de uitkomst van elk spel dat de teams waarschijnlijk zullen spelen en gebruiken de resultaten om het meest waarschijnlijke verloop van het toernooi te construeren.
Groll en co beginnen met een breed scala aan mogelijke factoren die de uitkomst kunnen bepalen. Deze omvatten economische factoren zoals het BBP en de bevolking van een land, de FIFA-ranglijst van nationale teams en de eigenschappen van de teams zelf, zoals hun gemiddelde leeftijd, het aantal Champions League-spelers dat ze hebben, of ze thuisvoordeel hebben, enzovoort. .
Interessant is dat de benadering met willekeurig bos Groll en co in staat stelt om andere rankingpogingen op te nemen, zoals de rankings die door bookmakers worden gebruikt.
Dit alles inpluggen in het model levert een aantal interessante inzichten op. De meest invloedrijke factoren blijken bijvoorbeeld de teamranglijst te zijn die is gemaakt door andere methoden, waaronder die van bookmakers, FIFA en anderen.
Andere belangrijke factoren zijn het BBP en het aantal Champions League-spelers in het team. Onbelangrijke factoren zijn onder meer de bevolking van het land, de nationaliteit van de coach, enzovoort.
De voorspellingen die via dit proces tot stand zijn gekomen, verschillen op een aantal belangrijke manieren van andere. Om te beginnen kiest de random-forest-methode Spanje als de meest waarschijnlijke winnaar, met een kans van 17,8 procent.
Een grote factor bij deze voorspelling is echter de structuur van het toernooi zelf. Als Duitsland de groepsfase van de competitie vrijspeelt, is de kans groter dat het te maken krijgt met sterke tegenstand in de knock-outfase van 16 teams. Daarom berekent de random-forest-methode de kansen van Duitsland om de kwartfinales te bereiken op 58 procent. Daarentegen is het onwaarschijnlijk dat Spanje te maken krijgt met sterke tegenstand in de laatste 16 en heeft dus een kans van 73 procent om de kwartfinales te bereiken.
Als ze allebei de kwartfinales halen, hebben ze een min of meer gelijke kans om te winnen. Spanje heeft een lichte voorkeur boven Duitsland, vooral vanwege het feit dat Duitsland een relatief grote kans heeft om af te vallen in de ronde van zestien, zeggen Groll en co.
Maar er is nog een extra twist. Het random-tree-proces maakt het mogelijk om het hele toernooi te simuleren, en dit levert een ander resultaat op.
Groll en co hebben het hele toernooi 100.000 keer gesimuleerd. Volgens het meest waarschijnlijke toernooiparcours zou het Duitse team in plaats van de Spanjaarden het WK winnen, zeggen ze.
Natuurlijk, vanwege het enorme aantal permutaties van games, is deze cursus nog steeds uiterst onwaarschijnlijk. Groll en co schatten de kans op ongeveer 1 op 100.000.
Dus daar heb je het. Aan het begin van het toernooi heeft Spanje volgens Groll en co de beste winkansen. Maar als Duitsland de kwartfinales haalt, wordt het koploper.
Het toernooi begint donderdag, wanneer gastheer Rusland het opneemt tegen Saoedi-Arabië. Helaas lijkt geen van deze teams zelfs de kwartfinales te halen.
Referentie: arxiv.org/abs/1806.03208 : Voorspelling van de FIFA World Cup 2018 - Een willekeurige bosbenadering met de nadruk op geschatte parameters van teamcapaciteiten