Atenção: Todas as denúncias são sigilosas e sua identidade será preservada.
Os campos nome e e-mail são de preenchimento opcional
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | Oliveira, Daniel Cardoso Moraes de | - |
Autor(es): dc.creator | Conceição, Maycon Prata da | - |
Data de aceite: dc.date.accessioned | 2024-07-11T18:47:54Z | - |
Data de disponibilização: dc.date.available | 2024-07-11T18:47:54Z | - |
Data de envio: dc.date.issued | 2022-09-20 | - |
Data de envio: dc.date.issued | 2022-09-20 | - |
Fonte completa do material: dc.identifier | http://app.uff.br/riuff/handle/1/26311 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/777805 | - |
Descrição: dc.description | Considerado o esporte mais popular do mundo, o futebol atualmente mobiliza muito mais que paixões, movimenta cifras bilionárias. Esse cenário acabou atraindo pessoas interessadas em técnicas para melhorar a previsão de resultados, como é o caso dos modelos de aprendizado de máquina (machine learning). Assim, o objetivo desse artigo é avaliar a confiabilidade na predição de resultados com base nos modelos de aprendizado de máquina de modo a averiguar se previsões efetuadas pela técnica analisada equivalem aos resultados reais das partidas verificadas. Dessa forma, as técnicas utilizadas foram o algoritmo Naïve Bayes, Random Forest, kNN, Gradient Boost, Decision Tree e Logistic Regression. Os dados utilizados para treinamento foram do Campeonato Brasileiro entre 2015 a 2018 e considerados para testes os dados dos anos de 2019 e 2021. Os resultados relevantes obtidos foram em média 46% de acertos dos resultados de previsão dos modelos analisados e as principais variáveis envolvidas foram AvgA (probabilidade média de vitória em casa) e MaxH (probabilidade vitória time da casa). | - |
Descrição: dc.description | Considered the most it popular sport in the world, football currently mobilizes much more than passion, moves billion dollar figures. This scenario ended up attracting people interested in techniques to improve the prediction of results, as is the case of machine learning models. Thus, the objective of this article is to evaluate the reliability in the prediction of results based on machine learning models to ascertain whether predictions made by the matches analyzed are equivalent to the actual results of the verified. Thus, the techniques used were the Na ̈ıve Bayes algorithm, Random Forest, kNN, Gradient Boost, Decision Tree and Logistic Regression. The Data used for training were from the Brazilian Championship between 2015 and 2018 and for testing the data between 2019 and 2021. The relevant results obtained were, on average, 46% of correct prediction results of the models analyzed. The main variables involved were avgA (average probability of victory at home) and Maxh (probability of victory at home). | - |
Descrição: dc.description | 29 p. | - |
Formato: dc.format | application/pdf | - |
Idioma: dc.language | pt_BR | - |
Direitos: dc.rights | Open Access | - |
Direitos: dc.rights | CC-BY-SA | - |
Palavras-chave: dc.subject | Orange Canvas | - |
Palavras-chave: dc.subject | Predições de resultados | - |
Palavras-chave: dc.subject | Campeonato brasileiro | - |
Palavras-chave: dc.subject | Aprendizagem de máquina | - |
Palavras-chave: dc.subject | Aprendizado de máquina | - |
Palavras-chave: dc.subject | Probabilidade | - |
Palavras-chave: dc.subject | Futebol | - |
Palavras-chave: dc.subject | Forecast results | - |
Palavras-chave: dc.subject | Brazilian championship | - |
Palavras-chave: dc.subject | Machine learning | - |
Título: dc.title | Avaliação dos modelos de machine learning: verificando os resultados no futebol | - |
Tipo de arquivo: dc.type | Trabalho de conclusão de curso | - |
Aparece nas coleções: | Repositório Institucional da Universidade Federal Fluminense - RiUFF |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: