Percorrer por autor "Fialho, Gabriel Pinto"
A mostrar 1 - 3 de 3
Resultados por página
Opções de ordenação
- Is football unpredictable? Predicting matches using neural networksPublication . Luiz, Luiz Eduardo; Fialho, Gabriel Pinto; Teixeira, João PauloThe growing sports betting market works on the premise that sports are unpredictable, making it more likely to be wrong than right, as the user has to choose between win, draw, or lose. So could football, the world’s most popular sport, be predictable? This article studies this question using deep neural networks to predict the outcome of football matches using publicly available data. Data from 24,760 matches from 13 leagues over 2 to 10 years were used as input for the neural network and to generate a state-of-the-art validated feature, the pi-rating, and the parameters proposed in this work, such as relative attack, defence, and mid power. The data were pre-processed to improve the network’s interpretation and deal with missing or inconsistent data. With the validated pi-rating, data organisation methods were evaluated to find the most fitting option for this prediction system. The final network has four layers with 100, 80, 5, and 3 neurons, respectively, applying the dropout technique to reduce overfitting errors. The results showed that the most influential features are the proposed relative defending, playmaking, and midfield power, and the home team goal expectancy features, surpassing the pi-rating. Finally, the proposed model obtained an accuracy of 52.8% in 2589 matches, reaching 80.3% in specific situations. These results prove that football can be predictable and that some leagues are more predictable than others.
- Predicting sports results with artificial intelligence – a proposal framework for soccer gamesPublication . Fialho, Gabriel Pinto; Manhães, Aline; Teixeira, João PauloAs the sports betting industry and technology have grown on a large scale, predicting the outcome of a sports match using technologies approach is now crucial. In fact, humans have a certain limitation when processing a large set of information. However, Artificial Intelligence techniques can overcome this issue. Furthermore, sports have a great amount of data to consider, thus, it is a great example of AI problem. A review of some research using different Artificial Intelligence techniques to predict a sport outcome is presented in this article. Different types of sports such as football, soccer, javelin throw, basketball, and horse race were analyzed, and showed distinct approaches to predict results. Finally, a framework to develop a system to predict the outcome of a soccer game based on AI is proposed, considering the present research review.
- Redes neuronais para a previsão do resultado de jogos de futebolPublication . Fialho, Gabriel Pinto; Teixeira, João Paulo; Manhães, Aline GesualdiEste trabalho tem como objetivo prever o resultado em forma de vitória/empate/derrota do confronto de duas equipas de futebol usando redes neuronais artificiais e dados estatísticos da performance das duas equipas e seus jogadores ao longo do tempo. É também um objetivo verificar se é realmente possível realizar essa previsão. Foram coletadas estatísticas de cerca de 26 mil partidas de 13 ligas diferentes, entre elas o número de cantos, golos, avaliações dos jogadores. Depois, foi feita uma análise visual do conjunto de dados e realizado testes com diferentes formas de organizações históricas das estatísticas que comprovou que a média simples de 20 partidas anteriores apresenta a melhor performance, entre outras testadas. Foi utilizada inicialmente uma rede neuronal “feedforward” com 100 neurônios em sua camada de entrada, 80 na camada seguinte, 5 e 3 nas camadas restantes. Além disso foi utilizada camadas de regularização do modo “dropout” entre todas as camadas de neurônios. Com esse modelo foi obtido 51.8% de exatidão no conjunto teste de 2500 partidas. Em seguida foi feita uma análise da relevância de cada dado estatístico e a criação de novos dados a partir dos dados iniciais. Além de realizar a otimização automática dos hiperparâmetros da rede neuronal utilizando a pesquisa em grade a fim de obter a melhor performance. Após os procedimentos descritos, foi obtido, entre outros, 60,9% de exatidão nas partidas da Liga NOS de Portugal, 58,1% em partidas da Liga da Turquia e 57,2% nas partidas da Premier League da Inglaterra. Como resultado final, o modelo obteve 52,8% de exatidão no conjunto teste de 2500 partidas. Em alguns casos, por exemplo quando o modelo previu com uma probabilidade maior que 60% da equipa da casa vencer, a exatidão subiu para 80,3%. Esses resultados comprovam que é possível realizar a previsão de partidas de futebol utilizando redes neuronais artificiais.