Analyse du football avec l'apprentissage automatique (French Edition)

Chapitre 3. Analyseexploratoire des données dans le football

Cet ouvrage a été traduit à l'aide de l'IA. Tes réactions et tes commentaires sont les bienvenus : [e-mail]

Au chapitre 2, tu t’es constitué une boîte à outils de compétences Python essentielles. Il est maintenant temps de mettre ces compétences en pratique sur de vraies données de football. Ce chapitre présente l’analyse exploratoire des données (EDA), le processus initial et ouvert consistant à inspecter un ensemble de données pour en comprendre la structure, trouver des tendances et identifier des anomalies. Tout comme un entraîneur étudie les images d’un match avant de décider de sa tactique, l’EDA est une investigation structurée des données. C’est ainsi que les analystes acquièrent une première compréhension de ce qui a été enregistré, à quelle fréquence, et où se trouvent les lacunes ou les anomalies. Au lieu de passer directement aux modèles prédictifs, on commence par poser des questions simples pour développer notre intuition. Cette première étape cruciale nous évite de tirer des conclusions sur des bases fragiles et pose les fondations de toutes les analyses suivantes.

Au fur et à mesure que nous effectuerons l’EDA, nous verrons comment adapter les outils de science des données à usage général à des analyses spécifiques au football. Plutôt que de simplement compter les lignes ou calculer des moyennes, nous explorerons les réseaux de passes, les distributions de distance des tirs et les ...