Data trainees voorspellen winnaar Champions League via machine learning [Update April 2022]

1. Data verzameling

In eerste instantie heb ik voor iedere deelnemer alle competitieresultaten van de laatste vier jaar gebundeld. Aangezien de resultaten van vorig jaar het meeste vertellen over de vorm waarin een ploeg verkeert, heb ik die het zwaarst laten doorwegen. Maar een goal in de Premier League betekent natuurlijk iets anders dan een doelpunt in de Jupiler Pro League. Daarom heb ik de marktwaarde van iedere competitie berekend en in het model geïntegreerd. Bijvoorbeeld: de Belgische competitie kreeg een coëfficiënt van 0,74 voor gescoorde goals en 1,21 voor tegengoals. Voor de Engelse competitie bedroeg de coëfficiënt 1,29 voor gescoorde goals en 0,79 voor tegendoelpunten. Dat betekent dus dat Engelse ploegen meer doelpunten scoren en minder goals tegenkrijgen dan gemiddeld. Voor Belgische ploegen geldt – helaas – het omgekeerde.

2. Data analyse met Python

Nadat alle poules waren samengesteld en het wedstrijdschema bekend was, heb ik per match voor iedere ploeg de kans op winst, gelijkspel of verlies bepaald. Om daartoe te komen, heb ik eerst berekend hoeveel goals elke club in eigen competitie gemiddeld scoort en slikt. Zo bekwam ik per ploeg vier waardes: het aantal keer ze voor eigen publiek scoren (“home scored”), het aantal keer de bezoekende ploeg de netten laat trillen (“home conceded”), het aantal keer ze op verplaatsing scoren (“away scored”) en het aantal keer de tegenstander scoort als ze op verplaatsing spelen (“away conceded”). Om het onderscheid tussen de competities te bewaren, werden deze variabelen vermenigvuldigd met de marktwaardecoëfficiënt.

Met die resultaten trok ik terug naar de poules, waar ik per wedstrijd voor beide teams berekende hoe groot de kans was dat ze een bepaald aantal goals zouden scoren. De limiet was ingesteld op 10 doelpunten per ploeg. Zo kon ik een nieuwe dataset opstellen die weergeeft wat de kans per uitkomst is. Bijvoorbeeld: voor de wedstrijd PSG versus Manchester City, was er 29 % kans dat er een gelijkspel werd behaald, 24 % kans dat PSG won en 46 % kans dat Manchester City won. Door deze kansen te vermenigvuldigen met het aantal punten dat iedere ploeg zou krijgen (3 voor winst, 1 voor gelijkspel en 0 voor verlies) en deze formule voor elke wedstrijd te herhalen, kon ik haarfijn de groepsresultaten bepalen. Aangezien er inmiddels een aantal wedstrijden zijn gespeeld, heb ik de groepsresultaten op de foto geüpdatet met de actuele uitslagen.

1. Data verzameling

Om het ploegprofiel te bepalen, heb ik verschillende datasets gecombineerd. Zo heb ik rekening gehouden met de bevolkingsgrootte en het bruto binnenlands product (bbp), aangezien rijkere landen vermoedelijk meer geld in voetbal investeren. De sterkte van elk team mat ik door de ploegratings van alle FIFA-games en resultaten van de Champions League vanaf 2005 te analyseren. Dit deed ik voor alle ploegen die sinds 2005 minstens de 8ste finales van de Champions League hebben gehaald. Sommige ploegen, zoals bijvoorbeeld Shakhtar Donetsk, bestonden nog niet in het spel FIFA 2005 waardoor hun FIFA-rating van dat jaar zou ontbreken in de dataset. Om dit op te lossen, heb ik voor deze ploegen de gemiddelde rating berekend van de jaren dat ze wel een FIFA-rating kregen. Met dat gemiddelde vulde ik de ontbrekende waardes in. Clubs zonder enige historische data zoals Sheriff, werden uit de analyse geweerd. Toen alle data verzameld waren, heb ik de modellen getraind via WEKA, een datatool die gebruikt wordt voor datamining (= verbanden zoeken in datasets).

2A. Data analyse met lineaire regressie

Voor het eerste model goot ik de variabelen ‘teamrating’, ‘populatie’, ‘aantal toeschouwers’ en ‘competitie’ voor ieder team in een formule. Het resultaat was een score waarmee ik de prestaties van iedere ploeg mooi kon inschatten. Hoe hoger de score, hoe verder de ploeg in het toernooi zal geraken.

3A. And the winner is …. (pt 1)

Volgens dit model mag Bayern München zich op 28 mei tot voetbalkoning kronen. De verliezende finalist is een andere Duitse traditieclub: Dortmund.

2B. Data analyse via nearest neighbours

Voor het tweede model paste ik de machine learning methode nearest neighbours toe. Hierbij gaat het model voor ieder team op zoek naar zeven clubs met een vergelijkbaar profiel. Op basis van de scores wordt dan het gemiddelde berekend en bepaald hoe sterk een ploeg zal presteren. Bijvoorbeeld: wanneer ploeg A veel gelijkenissen vertoont met teams die het goed doen in de Champions League, voorspelt het model dat ploeg A ver zal eindigen.

3B. And the winner is …. (pt 2)

Manchester City wint van Dortmund met groot overwicht. Daarmee ligt het resultaat in lijn met Jonathans model dat ook Manchester City als winnaar voorspelde. De statistieken zijn gunstig voor de Engelse kampioen!