머신러닝을 활용한 축구 분석 (Korean Edition)

제3장. 축구 데이터탐색적 분석

이 작품은 AI를 사용하여 번역되었습니다. 여러분의 피드백과 의견을 환영합니다: [e-mail]

제2장에서는 필수적인 Python 기술들을 익혔습니다. 이제 그 기술들을 실제 축구 데이터에 적용해 볼 차례입니다. 이 장에서는 탐색적 데이터 분석 (EDA) 을 소개합니다. 이는 데이터셋의 구조를 이해하고, 패턴을 찾으며, 이상치를 식별하기 위해 데이터셋을 조사하는 초기 단계의 개방형 과정입니다. 코치가 전술을 결정하기 전에 경기 영상을 분석하듯이, EDA는 데이터에 대한 체계적인 조사입니다. 분석가들이 기록된 내용이 무엇인지, 얼마나 자주 발생했는지, 그리고 어떤 부분에서 누락이나 특이점이 있는지 처음으로 파악하는 방법입니다. 예측 모델로 바로 넘어가기보다는, 직관을 키우기 위해 간단한 질문부터 던지는 것으로 시작합니다. 이 중요한 첫 단계는 근거가 불충분한 상태에서 결론을 내리는 것을 막아주고, 이후의 모든 분석을 위한 토대를 마련해 줍니다.

EDA를 수행하면서, 범용 데이터 과학 도구를 축구 특화 분석에 어떻게 적용할 수 있는지 살펴보겠습니다. 단순히 행 수를 세거나 평균을 계산하는 대신, 패스 네트워크, 슛 거리 분포, 팀 차원의 전술적 패턴을 탐구할 것입니다. 이러한 요약 내용은 이후 챕터에서 다시 등장할 것입니다. 예를 들어, 5장에서 분류 모델을 평가하거나 8장에서 특징량을 설계할 때입니다.

이 장을 마치면, 어떤 축구 데이터셋이든 탐색할 수 있는 반복 가능한 워크플로를 갖추게 될 것입니다. 다음과 같은 작업을 수행할 수 있게 될 것입니다:

• JavaScript Object Notation(JSON) 및 쉼표로 구분된 값(CSV) 과 같은 형식의 원시 경기 데이터를 불러오고, 검토하고, 정리합니다.

• 데이터 유형(수치형, 범주형, 서수형)별로 분석 구조를 구성하세요

• 이벤트 수준 데이터를 의미 있는 팀 및 선수 요약으로 집계

• 표준 막대 차트부터 축구 전용 히트맵 및 패스 네트워크에 이르기까지, 바로 게시할 수 있는 시각화를 생성합니다.

• 원시 수치를 팀 및 선수의 스타일에 대한 전술적 통찰력으로 전환

목표는 '탐색, 정리, 시각화, 해석'이라는 리듬을 확립하는 것입니다. 이 과정에 익숙해지면, 단순히 일어난 일을 기술하는 단계에서 앞으로 일어날 일을 예측하는 단계로 나아갈 준비가 될 것입니다.

축구 데이터 수준 이해

데이터를 자세히 살펴보기 전에, 데이터가 어떻게 구성되어 있는지 알아보겠습니다. 이를 마치 다양한 관점에서 경기를 관전하는 것과 비교해 생각해 보세요. 헬리콥터에서 경기장 전체를 내려다보거나, 사이드라인에서 팀을 지켜보거나, 또는 경기장 한가운데서 특정 선수를 따라가는 것과 같습니다. 축구 데이터도 이와 유사한 계층적 구조를 가지고 있으며, 이러한 수준을 이해하는 것은 매우 중요합니다. 왜냐하면 답변할 수 있는 질문의 종류는 보유한 데이터의 수준에 따라 달라지기 때문입니다.

경기 수준 데이터

경기 수준 데이터 는 전체적인 개요를 ...