Les jours raccourcissent, les enfants retournent à l'école et les équipes de la NFL ont commencé à jouer des matchs de pré-saison. Cela signifie qu'il est temps pour certains modèles prédictifs de football.
Une pléthore de sites Web, de magazines et d '«experts de la NFL» proposeront des prévisions pour la prochaine saison de la NFL. Alors que certaines des prévisions tiendront compte des données historiques et des statistiques, beaucoup ne le font pas. Si nous avons des données historiques, nous devrions les utiliser, c'est donc mon plan. Avant d'aborder la façon dont j'ai construit le modèle et les données que j'ai utilisées, examinons les résultats.
Pour les projections de l'AFC, il n'y a rien de trop choquant. L'équipe avec le plus grand changement dans le nombre de victoires d'une année à l'autre est les Raiders, passant de 12 victoires l'an dernier à 8 cette année. Toutes les autres équipes sont à une ou deux victoires du total de l'an dernier.
Pour le NFC, les résultats sont un peu plus surprenants, les Cowboys et les Giants perdant respectivement quatre et cinq matchs de plus en 2017. Une autre chose que j'ai trouvée un peu surprenante, c'est que les Packers devraient terminer troisième dans le NFC Nord. J'étais heureux de voir que ce modèle n'avait pas de projections folles, comme les Browns remportant 12 matchs ou les Patriots remportant trois matchs. Dans l'ensemble, le modèle semblait très raisonnable d'un point de vue footballistique. Passons maintenant à la façon dont j'ai construit ce modèle.
Construire un modèle
Mon premier objectif était d'obtenir un tas de données historiques. J'ai d'abord traqué les données historiques de paie ( http://www.spotrac.com/nfl/cap/ ). Je voulais voir s'il y avait une combinaison magique de masse salariale qui mène les équipes de la NFL à gagner. Comme le plafond salarial est passé de 120 millions de dollars à 167 millions de dollars, j'ai utilisé la fraction du plafond salarial utilisée pour chaque poste et groupe de postes.
En regardant les données salariales historiques jusqu'en 2010, j'ai constaté qu'il y avait très peu de corrélation entre les victoires des équipes et le salaire des joueurs. Ce n'était pas trop surprenant puisque la NFL regorge de mauvais contrats, qui ne sont pas nécessairement corrélés aux performances sur le terrain. Par exemple, les trois joueurs les mieux payés de la NFL pour la saison 2017 sont Joe Flacco, Carson Palmer et Kirk Cousins. Bien que ces trois QB puissent être au-dessus de la moyenne, aucun de ces gars-là n'est dans la discussion MVP ou n'a de place réservée à Canton.
J'ai donc pensé qu'une meilleure approche serait d'essayer de prédire la différence de gain d'une année sur l'autre en fonction du salaire et de l'évolution des salaires de chaque poste, groupe de postes. J'ai également examiné d'autres facteurs tels que les victoires de l'année dernière, les points par match, les verges par match et les verges autorisées par match. J'avais un total de 98 facteurs, donc j'avais besoin de faire une sélection de variables avant d'exécuter un modèle complet. J'ai utilisé une forêt bootstrap pour effectuer ma sélection de variables. Les 12 principaux facteurs contribuant au différentiel de gain sont présentés ci-dessous dans JMP .
Les meilleurs prédicteurs sont les victoires d'une équipe l'année dernière et le différentiel de points qu'une équipe a eu l'année dernière. Bien que ces facteurs puissent sembler évidents, d'autres facteurs importants le sont moins. Les facteurs que j'ai trouvés intrigants étaient la rémunération C, la rémunération FS et la rémunération RB. En règle générale, le centre, la sécurité libre et le porteur de ballon ne sont pas considérés comme des positions critiques. Il se peut que la rémunération élevée de ces postes ait un effet néfaste sur les performances de l'équipe.
Pour déterminer l'impact de chacun de ces facteurs, j'ai créé un modèle. Les 11 principaux facteurs sont triés par importance variable et affichés dans le profileur ci-dessous. J'ai supprimé le PTS / G de l'année dernière car il est complètement confondu avec le différentiel de points et les points autorisés.
Quelques éléments sont apparus comme inattendus :
- Dépenser plus d'argent du côté offensif du ballon conduit à une amélioration.
- Les équipes qui ont accordé beaucoup de points l'année dernière s'améliorent plus que les équipes qui ont accordé moins de points.
- Il existe une plage optimale distincte pour payer votre sécurité gratuite.
Ce qui est moins surprenant, c'est que le facteur le plus important est le total de victoires de l'an dernier. Il est logique que les mauvaises équipes s'améliorent et que les bonnes équipes s'aggravent à un moment donné. Bonne nouvelle pour les fans des Browns ! Pas de bonnes nouvelles pour la dynastie maléfique de la Nouvelle-Angleterre.
Pour que mon modèle final prédise les victoires, j'ai créé un modèle d'ensemble. Tout d'abord, j'ai créé une colonne de validation dans JMP, afin que tous les modèles soient comparables. J'ai enregistré les formules de prédiction de la forêt bootstrap, de l'arbre boosté, du réseau de neurones et des modèles de régression généralisée à l'aide de la colonne de validation. Ensuite, j'ai pris ces formules de prédiction de modèle comme facteurs dans un réseau de neurones.Vous trouverez ci-dessous une comparaison de tous les modèles construits.
Vraiment cool! Regardez à quel point j'obtiens une amélioration du modèle d'ensemble, avec un R 2 supérieur à 0,86. Examinons maintenant l'intrigue réelle par rapport à l'intrigue prévue.
Pas mal. Le pire échec pour ce modèle a été le Green Bay 2014. Le modèle a prédit un différentiel de victoires d'environ un, et les Packers ont en fait remporté quatre autres matchs.
En résumé, j'ai utilisé les données historiques sur les salaires et les performances sur le terrain pour prédire le différentiel de victoires pour chaque équipe cette année. Le modèle le plus performant était un modèle de réseau neuronal d'ensemble. Maintenant, jouons au football et voyons comment le modèle se révèle !
J'essayais de faire un modèle précis. Nouvelle saison, nouveaux Browns commençant QB. Ils sont déjà l'une des équipes les plus améliorées de l'AFC.
J'ai besoin de voir le modèle qui prédit plus de victoires pour les Browns !On dirait qu'ils iront avec un autre quart-arrière recrue cette année, sauf blessure.
