Для прогнозирования трансферной ценности игрока мы обучим линейную регрессию для создания модели прогнозирования.
Начнем с импорта необходимых библиотек.
Я использовал этот набор данных «TFM_Transfers.csv» ниже, который содержит значения передачи и другие переменные для нескольких игроков. Я отфильтровал поля, которые я нашел наиболее значимыми для проблемы.
Затем я попытался проявить творческий подход и придумать дополнительную футбольную переменную, которая каким-то образом могла бы повлиять и коррелировать со стоимостью трансферов.
ВВП на душу населения страны многое говорит нам о внешней экономике страны, сравнивая ее с другими странами. Таким образом, это может быть интересным индикатором для модели, поскольку экономика страны также оказывает большое влияние на финансовую мощь клубов в этой стране.
Здесь интерес представляют как ВВП на душу населения в стране клуба-покупателя, так и ВВП клуба-покупателя, поскольку финансовое положение обеих вовлеченных сторон будет влиять на практикуемые трансфертные ценности. Затем мы обратимся к следующим наборам данных pib_seller.xlsx и pib_buyer.xlsx.
Исследовательский анализ данных
Прежде всего, нам нужно сначала понять данные и попытаться извлечь из них как можно больше информации.
Исследовательский анализ данных относится к критическому процессу выполнения первоначальных исследований данных с целью обнаружения закономерностей, выявления аномалий, проверки гипотез и проверки предположений с помощью сводной статистики и графических представлений.
Информация о наборах данных, связанных с ВВП на душу населения
В исходный набор данных добавлен ВВП на душу населения стран
Удаленные дубликаты
Удаляет строки и столбцы с NA
Информация о наборе данных market_dataset
Теперь давайте посмотрим на предпочтительное распределение шагов.
Из набора данных удалены игроки-амбидекстры, потому что они могут каким-то образом выделяться и давать неверную информацию модели.
Давайте посмотрим на таблицу с минимумом, максимумом, средним значением, стандартным отклонением и квантилями числовых переменных, которые я рассматривал для этой модели.
Очевидно, что не может быть игроков с минимальным весом и ростом 0, поэтому эти игроки являются выпадающими, и поэтому мы их удаляем. Начнем с рассмотрения распределения переменных веса и роста.
Теперь давайте построим распределения других функций.
Распределение веса
Распределение по высоте
У игрока не может быть 0 веса и роста, поэтому я удалил эти выбросы, чтобы не мешать модели.
Возрастное распределение
Судя по всему, все нормально с этим дистрибутивом.
Распределение позиций
Распределение ВВП на душу населения
Есть некоторые выбросы в ВВП на душу населения в стране-покупателе. Давайте узнаем, что это за страны.
Монако является исключением с точки зрения ВВП на душу населения, поэтому я удаляю из набора данных строки и столбцы, в которых Монако является страной/клубом-покупателем.
Затем я хочу количественно оценить влияние переменной de uma на другую переменную с помощью тепловой карты корреляции.
Распределение функций
Диаграмма экстремумов и квартилей
Как возраст игрока влияет на широту его рыночной стоимости?
Здесь мы можем подтвердить через кошачью диаграмму, что рыночная стоимость игроков ближе к концу их карьеры имеет меньшую амплитуду и выбросы, как и ожидалось.
Как и ожидалось, распределение рыночной стоимости полузащитников и нападающих гораздо менее рассредоточено, чем распределение GR и защитников, и последние, как правило, имеют гораздо более низкую рыночную стоимость по сравнению с полузащитниками и нападающими.
Распределение возраста, по которому игроки продаются в определенных странах
Здесь мы видим, что Португалия явно является страной для проецирования игроков, которая продает в основном очень молодых игроков. В других европейских «больших пятерках» распределение возрастов, в которых игроки продают, гораздо шире.
Взаимосвязь между стоимостью продажи игрока и долей стоимостного рынка, оцененной Transfermarkt
Теперь я вычислил значение трансферной разницы и нанес на график значение трансферной разницы по возрастам, позициям и футам.
Судя по предыдущему графику, клубы более склонны платить рыночную стоимость игроков-левшей, чем игроков-правшей.
Я заканчиваю здесь EDA, давайте наконец построим модель.
Теперь, когда у нас есть переменные, которые мы хотим обработать, мы должны передать категориальные переменные в OneHotEncoder.
Затем я передал числовые переменные в MinMax.
Соединил категориальные с числовыми в X и отделил наш столбец меток в Y.
Сделайте разделение между обучающим набором данных и тестовым набором данных.
Затем мы обучаем нашу модель с помощью тренировочного набора.
Теперь, когда у нас есть обученная модель, мы можем использовать ее для прогнозирования тестового набора.
Выводы
Мы можем использовать прогнозы набора тестов для оценки нашей регрессионной модели.
Давайте получим оценку следующих показателей:
MSE. Метрика, показывающая среднеквадратичную разницу между прогнозируемыми и фактическими значениями в наборе данных. Чем ниже MSE, тем лучше модель соответствует набору данных.
RMSE: показатель, который показывает нам квадратный корень из средней квадратичной разницы между прогнозируемыми и фактическими значениями в наборе данных.
R2. Статистическая мера, представляющая долю дисперсии зависимой переменной, которая объясняется независимой переменной или переменными в регрессионной модели.
Не самые лучшие оценки.. только примерно чуть больше половины наблюдаемой вариации можно объяснить входными данными модели и получить высокие оценки MSE и RMSE. Но прелесть машинного обучения в том, что его всегда можно улучшить :)))
Какие-либо предложения? Дайте мне знать!!!
Надеюсь, вам понравилось чтение!!!
Подпишитесь на меня:
https://www.linkedin.com/in/ricardoandreom/
https://twitter.com/HspaceAnalytics
https:/ /www.instagram.com/halfspace_analytics/
https://linktr.ee/ricardoandreom
Повторный график
Резидуальная диаграмма — это график остатков, которые, если они случайным образом распределены вокруг горизонтальной оси, для данных подходит модель линейной регрессии, в противном случае более подходящей является нелинейная модель.
Давайте отобразим наш повторный график.
Принимая во внимание предыдущее определение и вывод, я бы сказал, что линейная модель здесь подходит и подходит для данного вопроса.