MODELOS DE MACHINE LEARNING PARA LA PREDICCIÓN DE PARTIDOS DE FÚTBOL

Abstract

En los últimos años, la cantidad de datos relacionado con el fútbol ha aumentado considerablemente, lo que ha incrementado el interés por anticipar los resultados de los partidos. Esto ha creado la necesidad de aplicar métodos de ciencia de datos y técnicas de aprendizaje automático para analizar la información disponible y realizar predicciones precisas. El presente Trabajo Fin de Grado pretende evaluar y comparar distintos algoritmos con el objetivo de identificar cuáles son los más eficientes para predecir los resultados de los partidos de futbol.

Para ello, se realiza un análisis exhaustivo del proceso de ciencia de datos, explicando cada etapa y el funcionamiento de diversos algoritmos. Posteriormente, se aplica este proceso a un conjunto de datos de la liga española, utilizando diversos algoritmos en combinación con técnicas de clustering y filtrado de datos según varios criterios para optimizar los modelos predictivos. Los algoritmos se entrenan con datos de las temporadas 2017-2018 a 2022-2023 y se evalúan en función de su capacidad para predecir los resultados de la temporada 2023-2024.

Al comparar el rendimiento de los distintos modelos desarrollados utilizando diferentes métricas, se concluye que los mejores resultados se obtienen al filtrar los datos de manera que para entrenar los modelos solo se consideran los resultados previos de partidos jugados en casa para el equipo local y los jugados fuera para el visitante. En segundo lugar, los modelos que filtran los datos de entrenamiento aplicando técnicas de clustering también muestran un buen rendimiento. En cambio, los modelos entrenados exclusivamente con datos de enfrentamientos directos entre los equipos no son suficientemente precisos.