Die Tage werden kürzer, die Kinder gehen zurück zur Schule und die NFL-Teams haben begonnen, Vorsaison-Spiele zu spielen. Das heißt, es ist Zeit für einige Fußball-Vorhersagemodelle.
Eine Fülle von Websites, Magazinen und „NFL-Experten“ wird Vorhersagen für die kommende NFL-Saison treffen. Während einige der Vorhersagen tatsächlich historische Daten und Statistiken berücksichtigen, tun dies viele nicht. Wenn wir historische Daten haben, sollten wir sie verwenden, das ist also mein Plan. Bevor ich darauf eingehe, wie ich das Modell erstellt habe und welche Daten ich verwendet habe, wollen wir uns die Ergebnisse ansehen.
Für die AFC-Projektionen gibt es nichts zu schockierendes. Das Team mit der größten Veränderung der Gesamtsiege von Jahr zu Jahr sind die Raiders, die von 12 Siegen im letzten Jahr auf 8 in diesem Jahr ansteigen. Jedes andere Team liegt innerhalb von ein oder zwei Siegen hinter der letztjährigen Gesamtwertung.
Für die NFC sind die Ergebnisse etwas überraschender, da die Cowboys und die Giants 2017 vier bzw. fünf weitere Spiele verloren haben. Eine andere Sache, die ich ein wenig überraschend fand, war, dass die Packers voraussichtlich Dritter werden im NFC Nord. Ich war froh zu sehen, dass dieses Modell keine wilden Projektionen hatte, wie die Browns, die 12 Spiele gewinnen, oder die Patriots, die drei Spiele gewinnen. Alles in allem erschien das Modell aus fußballerischer Sicht sehr vernünftig. Kommen wir nun dazu, wie ich dieses Modell gebaut habe.
Modell bauen
Mein erstes Ziel war es, einen Haufen historischer Daten zu bekommen. Ich habe zuerst historische Gehaltsabrechnungsdaten aufgespürt ( http://www.spotrac.com/nfl/cap/ ). Ich wollte sehen, ob es eine magische Gehaltskombination gibt, die NFL-Teams zum Sieg führt. Da die Gehaltsobergrenze von 120 Millionen US-Dollar auf 167 Millionen US-Dollar gestiegen ist, habe ich den Bruchteil der Gehaltsobergrenze verwendet, der für jede Position und Positionsgruppe verwendet wird.
Als ich mir historische Gehaltsdaten bis 2010 ansah, stellte ich fest, dass es nur eine sehr geringe Korrelation zwischen Teamgewinnen und Spielergehältern gab. Dies war nicht allzu überraschend, da die NFL voller schlechter Verträge ist, die nicht unbedingt mit der Leistung auf dem Spielfeld korrelieren. Die drei bestbezahlten Spieler der NFL für die Saison 2017 sind beispielsweise Joe Flacco, Carson Palmer und Kirk Cousins. Während alle drei dieser QBs überdurchschnittlich sein mögen, ist keiner dieser Jungs in der MVP-Diskussion oder hat einen Platzhalter in Canton.
Daher dachte ich, ein besserer Ansatz wäre zu versuchen, die Gewinndifferenz von einem Jahr zum nächsten basierend auf dem Gehalt und der Gehaltsänderung jeder Position, Positionsgruppe vorherzusagen. Ich habe mir auch einige andere Faktoren angesehen, wie Siege im letzten Jahr, Punkte pro Spiel, Yards pro Spiel und erlaubte Yards pro Spiel. Ich hatte insgesamt 98 Faktoren, also musste ich einige Variablen auswählen, bevor ich ein vollständiges Modell ausführen konnte. Ich habe einen Bootstrap-Wald verwendet, um meine Variablenauswahl durchzuführen. Die 12 wichtigsten Faktoren, die zum Gewinnunterschied beitragen, sind unten in dargestellt JMP .
Die besten Prädiktoren sind die Siege eines Teams im letzten Jahr und die Punktedifferenz, die ein Team im letzten Jahr hatte. Während diese Faktoren offensichtlich erscheinen mögen, sind andere wichtige Faktoren weniger offensichtlich. Faktoren, die ich faszinierend fand, waren C-Bezahlung, FS-Bezahlung und RB-Bezahlung. Typischerweise werden Center, Free Safety und Running Back nicht als kritische Positionen angesehen. Es kann sein, dass sich eine hohe Bezahlung dieser Positionen nachteilig auf die Leistung des Teams auswirkt.
Um die Auswirkungen zu bestimmen, die jeder dieser Faktoren hatte, habe ich ein Modell erstellt. Die Top-11-Faktoren werden nach variabler Wichtigkeit sortiert und im Profiler unten angezeigt. Ich habe PTS/G vom letzten Jahr entfernt, da dies völlig mit der Punktedifferenz und den zulässigen Punkten verwechselt ist.
Ein paar Dinge waren unerwartet:
- Mehr Geld für die offensive Seite des Balls auszugeben, führt zu einer Verbesserung.
- Teams, die im letzten Jahr viele Punkte zugelassen haben, verbessern sich stärker als Teams, die weniger Punkte zugelassen haben.
- Es gibt einen bestimmten optimalen Bereich, um Ihre kostenlose Sicherheit zu zahlen.
Weniger überraschend war, dass der wichtigste Faktor die letztjährige Siegessumme war. Es macht Sinn, dass sich schlechte Teams irgendwann verbessern und gute Teams schlechter werden. Gute Nachrichten für Browns-Fans! Keine guten Nachrichten für die böse Dynastie in Neuengland.
Für mein endgültiges Modell zur Vorhersage von Gewinnen habe ich ein Ensemble-Modell erstellt. Zuerst habe ich eine Validierungsspalte in JMP erstellt, damit alle Modelle vergleichbar sind. Ich habe die Vorhersageformeln aus Bootstrap Forest, Boosted Tree, neuronalem Netzwerk und verallgemeinerten Regressionsmodellen mithilfe der Validierungsspalte gespeichert. Dann nahm ich diese Modellvorhersageformeln als Faktoren in einem neuronalen Netzwerk.Nachfolgend finden Sie einen Vergleich aller gebauten Modelle.
Wirklich cool! Sehen Sie, wie viel Verbesserung ich durch das Ensemble-Modell mit einem R erhalte 2 von über 0,86. Schauen wir uns nun den tatsächlichen vs. vorhergesagten Plot an.
Nicht so schlecht. Der schlimmste Fehlschlag für dieses Modell war die Green Bay 2014. Das Modell sagte eine Gewinndifferenz von ungefähr eins voraus, und die Packers gewannen tatsächlich vier weitere Spiele.
Zusammenfassend habe ich historische Gehalts- und Feldleistungsdaten verwendet, um die Siegesdifferenz für jedes Team in diesem Jahr vorherzusagen. Das leistungsstärkste Modell war ein Ensemble-Modell eines neuronalen Netzwerks. Lass uns jetzt Fußball spielen und sehen, wie sich das Modell entwickelt!
Ich muss das Modell sehen, das mehr Siege für die Browns vorhersagt!Sieht so aus, als würden sie dieses Jahr mit einem anderen Rookie-Quarterback gehen, es sei denn, es liegt eine Verletzung vor.
