Niveau: débutant
Vineela Datla, étudiante, Université du Connecticut
Thore Koch, étudiant, Université du Connecticut
Johana Rodriguez, étudiante à l'Université du Connecticut
Anan Garg, étudiante, Université du Connecticut
Évaluer l’estimation d’un joueur peut être utile pour les clubs de la FIFA lorsqu’ils passent des contrats avec des joueurs lorsqu’ils travaillent sur un budget de dépenses. Les données extraites de sofifa.com ont été échantillonnées, explorées, modifiées, modélisées et analysées à l'aide de JMP. L'ensemble de données comprend 88 colonnes différentes, classées en gros comme informations sur les joueurs et statistiques de performance. Chaque ligne appartient aux joueurs individuels de la FIFA en 2019. Lors de la phase d'échantillonnage, les données sont partitionnées en 40-30-30 pour la formation, la validation et les tests. Au cours de la phase de modification, 29 attributs de performance clés sont présentés dans six attributs principaux à l'aide d'une analyse en composantes principales. Les données sont conçues et analysées à l'aide de formules JMP et de diagrammes de distribution. L'arbre de décision, les voisins K- les plus proches et les modèles de réseau neuronal sont conçus pour identifier le meilleur modèle permettant de prédire la valeur d'un joueur. Les modèles sont ensuite comparés à l'aide de la fonction de comparaison de modèles et le meilleur modèle est identifié en fonction de ses performances sur les données de test. Le modèle peut mieux prédire les valeurs des acteurs de bas en milieu de gamme en fonction des attributs de performance.
