基于机器学习的足球比赛数据特征研究

为研究足球比赛数据特征,本文通过机器学习对足球赛场数据进行功能性分析,特别是通过社会网络分析,量化各球员在每场球赛的表现以及团队合作的效果。本文先考虑个人对团队的贡献,对13个子指标归纳为四个大指标,综合优序图法和独立性权重法构建网络球员个人贡献模型并提出建议。为分析团队合作的效果,本文选取15个相关指标进行筛选并进行回归分析,最终确定影响比赛结果的6个显著性因素,并给出结论和建议。

社会网络分析法研究足球比赛传球表现的可行性分析

采用社会网络分析法从整体网、局域网、个体网层面,对2016年欧洲杯1/8决赛匈牙利对阵比利时比赛双方的传球表现进行分析,探析社会网络分析法用于足球比赛传球表现研究的可行性。研究结果表明:1)从整体网层面来看,2只球队的传球网络都具有密度高、距离短的特点,大部分球员之间都有过直接的传球联系,比利时队向前传球的趋势更加明显。2)从局域网层面来看,派系分析的结果显示了匈牙利的传球配合主要是集中在左路,打法单一,比利时队传球配合分散在左、中、右3个区域,打法更加灵活多变。核心边缘分析的结果显示,匈牙利传球网络核心球员大部分是后卫,比利时传球网络的核心球员大部分是中场,比利时队传球网络的核心边缘结构更合理。3)从个体网层面来看,匈牙利队传球过于依赖中后场球员,参与进攻的球员多但是有威胁的传球少,比利时队的传球主要围绕中场球员展开,参与进攻的球员少但有威胁的传球却更多,传球也比匈牙利更加顺畅。4)社会网络分析法用于足球比赛传球表现研究是可行的,传球网络图可以直观的窥探传球趋势,网络的密度和距离可以表示传球的频度和流畅度,派系分析可以研究局部传球情况,核心-边缘分析可以找出传球网络中的核心群体和边缘群体,中心性分析可以评估球员在传球网络中扮演的角色。