머신러닝을 활용한 축구 분석 (Korean Edition)

제4장. 축구 분석을 위한회귀 기법

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

제2장과 제3장에서는 이 책 전반에 걸쳐 사용될 분석 워크플로의 기초를 다졌습니다. 환경을 설정하고, 핵심 도구를 익혔으며, 탐색적 분석을 통해 데이터를 이해했습니다. 다음 단계는 기술에서 예측으로 넘어가는 것입니다.

이 장에서는 우리가 심도 있게 다룰 첫 번째 예측 프레임워크인 회귀 분석을 소개합니다. 회귀 분석은 추정하고자 하는 결과가 범주형이 아닌 수치형일 때 사용됩니다. 축구에서는 다음과 같은 질문들이 제기됩니다:

• 다음 시즌 선수의 시장 가치는 어느 정도가 될까요?

• 한 팀이 다음 경기에서 몇 골을 넣을 것으로 예상할 수 있을까요?

• 미드필더는 한 경기에서 몇 킬로미터를 달릴까요?

이 모든 질문은 회귀 모델을 통해 답을 찾을 수 있습니다. 회귀 분석은 불확실성을 제거하지는 않지만, 기대값을 추정하고, 각 변수의 영향을 비교하며, 입력값이 변함에 따라 결과가 어떻게 변화하는지 이해할 수 있는 체계적인 방법을 제공합니다. 따라서 예측과 설명 모두에 유용합니다.

이 장을 마치면 다음을 수행할 수 있게 될 것입니다:

• 회귀 분석의 핵심 개념과 이것이 축구에 어떻게 적용되는지 이해합니다.

• 선형 회귀 모델을 구축, 훈련 및 해석하여 선수의 시장 가치를 예측합니다.

• 축구 분석의 대표적인 문제인 경기 득점 수를 모델링하기 위해 포아송 회귀를 활용합니다.

• K-최근접 이웃(KNN) 회귀 분석을 구현하여 유사한 선수를 찾아 분석해 보세요.

• 모델을 평가하여 성능을 파악하고 개선할 부분을 확인합니다.

이 책에서는 주로 pandas, Matplotlib, Seaborn을 사용하되, scikit-learn과 statsmodels도 함께 소개할 것입니다. 목표는 단순히 회귀 모델을 적합시키는 것뿐만 아니라, 어떤 경우에 모델이 적절한지, 어떻게 평가해야 하는지, 그리고 축구 용어로 어떻게 해석해야 하는지를 이해하는 것입니다.

경기장의 선에서 최적의 회귀선으로: 선형 회귀

가장 기본적인 회귀 알고리즘인 선형 회귀(linear regression)부터 시작해 봅시다. 이 개념은 상당히 직관적입니다. 하나 이상의 입력 변수( 특성 또는 예측 변수라고 부를 것입니다) 와 단일 출력 변수( 표적 변수) 간의 직선 관계를 찾는 것이 핵심입니다.

당신이 젊은 선수의 미래 시장 가치를 추정하려는 스카우트라고 상상해 보세요. 아마도 몇 가지 핵심적인 세부 사항, 즉 선수의 나이, 득점 수, 어쩌면 어시스트 수 등을 살펴볼 것입니다. 당신의 뇌는 직관적으로 모델을 만들어 냅니다. 득점이 많은 젊은 선수는 아마도 가치가 더 높을 것이라는 식이죠. 선형 회귀 분석도 똑같은 일을 하지만, 수학적 정밀성을 바탕으로 합니다.

이 알고리즘은 데이터를 가장 잘 설명하는 최적의 직선을 찾으려 합니다. 예를 들어, 선수의 시장 가치를 지난 시즌 득점 수와 대비하여 그래프로 그리면 일정한 패턴을 ...