Jalkapallon Veikkausliigan otteluiden tulosten ennustaminen Bayes-verkon avulla
Heininen, Lauri (2022)
Kandidaatintyö
Heininen, Lauri
2022
School of Engineering Science, Laskennallinen tekniikka
Kaikki oikeudet pidätetään.
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi-fe2022102763373
https://urn.fi/URN:NBN:fi-fe2022102763373
Tiivistelmä
Jalkapallo on yksi maailman suosituimmista urheilulajeista, jota seurataan laajasti ympäri maailmaa. Johtuen lajin laajasta kiinnostavuudesta sekä siihen liittyvästä vilkkaasta vedonlyönnistä, erilaisia otteluiden tulosten ennustamiseen liittyviä datatieteen ja todennäköisyyslaskennan menetelmiä on tutkittu laajalti jo 1950-luvulta alkaen.
Kandidaatintyon tavoitteena on kehittää Bayes-verkkoon pohjautuva malli ja sitä hyödyntävä ohjelmisto, jolla voidaan ennustaa Veikkausliiga otteluiden tuloksia. Tulosten ennustaminen tapahtuu vakioveikkauksesta tutulla tarkkuudella: kotivoitto, tasapeli, vierasvoitto.
Kehitetty Naiivi Bayes-luokittelija käyttää Veikkausliigan nettisivuilta kerättyä otteluiden tilastodataa vuosilta 2018 ja 2019. Malli perustuu kausaliteetin pohjalta rakennettuun Bayes-verkkoon käytettävissä olevista kvantitatiivisista tilastomuuttujista. Malli ei huomioi psykologisia tai olosuhteisiin liittyvia tekijöitä.
Malli saavuttaa keskimäärin 53%:n tarkkuuden, mikä jää 10 − 20%-yksikköä tarkkuudessa aiemmista töistä, joissa tilastotieteen ja koneoppimisen menetelmiä sovelletaan jalkapallon ennustamiseen.
Kandidaatintyon tavoitteena on kehittää Bayes-verkkoon pohjautuva malli ja sitä hyödyntävä ohjelmisto, jolla voidaan ennustaa Veikkausliiga otteluiden tuloksia. Tulosten ennustaminen tapahtuu vakioveikkauksesta tutulla tarkkuudella: kotivoitto, tasapeli, vierasvoitto.
Kehitetty Naiivi Bayes-luokittelija käyttää Veikkausliigan nettisivuilta kerättyä otteluiden tilastodataa vuosilta 2018 ja 2019. Malli perustuu kausaliteetin pohjalta rakennettuun Bayes-verkkoon käytettävissä olevista kvantitatiivisista tilastomuuttujista. Malli ei huomioi psykologisia tai olosuhteisiin liittyvia tekijöitä.
Malli saavuttaa keskimäärin 53%:n tarkkuuden, mikä jää 10 − 20%-yksikköä tarkkuudessa aiemmista töistä, joissa tilastotieteen ja koneoppimisen menetelmiä sovelletaan jalkapallon ennustamiseen.