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

Chapitre 6. Méthodes de classificationavancées

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

Au chapitre 5, on a utilisé la régression logistique et la méthode des k plus proches (KNN) pour construire le flux de travail de classification de base. Ces modèles constituent de bons points de départ, mais ils imposent aussi des contraintes. La régression logistique a une frontière de décision linéaire, et la méthode KNN peut devenir instable ou difficile à faire évoluer à mesure que les espaces de caractéristiques s'étendent.

Ce chapitre présente les modèles basés sur les arbres comme une extension plus flexible de ce travail. Les arbres de décision, les forêts aléatoires et les méthodes de gradient boosting peuvent représenter les relations non linéaires, les interactions et les effets de seuil qui apparaissent naturellement dans les données de football.

Cette flexibilité est particulièrement utile dans l’analyse du football, où la performance dépend souvent de combinaisons de contextes : distance et angle ensemble, pression et emplacement ensemble, état de possession et situation de jeu ensemble. Les modèles basés sur des arbres peuvent saisir ces structures sans qu’on ait besoin de noter chaque interaction à la main.

En même temps, les modèles basés sur des arbres préservent un lien important avec l'interprétation. Un seul arbre peut être lu comme une séquence de règles de type footballistique, ...