第4章 サッカー分析のための回帰分析 テクニック
この作品はAIを使って翻訳されている。ご意見、ご感想をお待ちしている:translation-feedback@oreilly.com
第2章と 第3章では、本書全体で用いる 分析ワークフローの基礎を築いた。 環境を整え、主要なツールを学び、探索的 データ分析を用いてデータを理解した。 次のステップは、説明から予測へと進むことだ。
本章では、回帰分析 を紹介する。これは、本書で 詳細に解説する最初の予測フレームワークである。 回帰分析は、推定したい結果がカテゴリカルではなく 数値的な場合に用いられる。 サッカーにおいては、次のような質問につながる:
-
来シーズン、選手の市場価値はどの程度になるだろうか?
-
チームは次の試合で何ゴールをスコアリングできるだろうか?
-
ミッドフィールダーは1試合で何キロメートル走るだろうか?
これらはすべて、回帰モデルが答えを見つける手助けをしてくれる質問だ。 回帰は不確実性を除去するものではないが、期待値を推定し、 要因の影響を比較し、入力値の変化に伴って結果が どのように変化するかを理解するための体系的な方法を提供してくれる。 そのため、予測と説明の両方に役立つのだ。
この章の終わりまでに、以下のことができるようになるだろう:
-
回帰分析の核心的な概念と、それがサッカーにどのように適用されるかを理解する。
-
選手の市場価値を予測するために、線形回帰モデルを構築、トレーニング、解釈する。
-
サッカー分析の典型的な課題である、1試合の得点数をモデル化するためにポアソン回帰を用いる。
-
K近傍法(KNN)回帰を実装し、類似した選手を発見し、分析する。
-
モデルを評価し、その性能と改善点を把握する。
主にpandas、Matplotlib、Seabornを使用するが、 scikit-learnやstatsmodelsについても紹介する。 目的は回帰モデルを適合させるだけでなく、それが いつ適切か、どのように評価するか、そしてサッカーの 観点からどのように解釈するかを理解することにある。
ピッチ上の行から最善の近似線へ: 線形回帰
まず、最も基本的な回帰アルゴリズムである線形回帰から始めよう: 。その概念はかなり直感的だ。1つ以上の入力変数(特徴量または 予測変数と呼ぶ) と、単一の出力変数(ターゲット)との間に直線的な関係を発見することがすべてである。
あなたがスカウトで、若手選手の将来の市場価値を推定しようとしていると想像してほしい。おそらく、いくつかの重要な詳細、つまり年齢、得点数、場合によってはアシスト数などを確認するだろう。脳は直感的にモデルを作成する。つまり、若くて得点が多い選手ほど価値が高いだろう、と。線形回帰もこれと同じことを行うが、数学的な精度をもって行うのだ。
このアルゴリズムは、データを最もよく表す直線を発見しようとする。例えば、選手の市場価値と前シーズンの得点数をプロットすると、あるパターンが見えてくるかもしれない。得点が増えるにつれて、市場価値も上昇する傾向にある。線形回帰は、そのデータを貫き、その傾向を最もよく表す1本の直線を発見するのだ。
市場価値の予測:選手の価値
このアプローチを、サッカー分析の典型的な問題である「選手の市場価値の予測」という具体例で見てみよう。選手の価値は多くの要因によって決まるが、最初のモデルでは単純化する。たった1つの特徴量、つまりスコアリング記録のみに基づいて、選手の市場価値を予測してみる。 ...
Become an O’Reilly member and get unlimited access to this title plus top books and audiobooks from O’Reilly and nearly 200 top publishers, thousands of courses curated by job role, 150+ live events each month,
and much more.
Read now
Unlock full access