Název: Framework pro modelování a predikci událostí ve fotbale.
Překlad názvu: Framework for event modeling a prediction in football.
Autoři: Geffert, Maroš ; Beneš, Karel (oponent) ; Szőke, Igor (vedoucí práce)
Typ dokumentu: Diplomové práce
Rok: 2024
Jazyk: slo
Nakladatel: Vysoké učení technické v Brně. Fakulta informačních technologií
Abstrakt: [slo] [eng]
Táto diplomová práca sa zaoberá skúmaním súčasných metód predikcie futbalových udalostí ako sú počet gólov v zápase, výsledok zápasu, alebo či oba tímy skórujú. Analyzované boli modely neurónová sieť, RandomForest a XGBoost. V rámci práce boli zhromaždené rozsiahle historické dáta o zápasoch a hráčoch. Hlavným cieľom bolo zistiť, či podrobné štatistiky výrazne ovplyvňujú predikciu, zhodnotiť efektivitu využívania stávkových kurzov ako príznakov, preskúmať vplyv historických dát na kvalitu predikcií a zistiť, či je možné s takýmito modelmi dosiahnuť úspech na stávkovom trhu. Výsledky preukázali, že detailné štatistiky zlepšujú presnosť predikcií, avšak používanie kurzov ako príznakov vo všeobecnosti predikcie zhoršuje. Výsledky týkajúce sa využitia historických dát na predikcie boli nejednoznačné. Modely RandomForest a neurónová sieť dosiahli sľubné výsledky s návrat- nosťou investície 32.38% a 29.04%. This thesis investigates current methods of predicting football events such as the number of goals in a match, the outcome of a match, or whether both teams will score. The models analyzed were neural network, RandomForest and XGBoost. Extensive historical data on matches and players were collected as part of the work. The main objectives were to determine whether detailed statistics significantly affect prediction, to evaluate the effectiveness of using betting odds as features, to investigate the impact of historical data on the quality of predictions, and to determine whether success can be achieved in the betting market with such models. The results showed that detailed statistics improve the accuracy of the predictions, but the use of odds as features generally degrades the predictions. The results regarding the use of historical data for predictions were inconclusive. RandomForest and neural network models achieved promising results with ROI of 32.38% and 29.04%, respectively.
Klíčová slova: decision trees; football; football event prediction; neural networks; predictive modelling; sports data analysis; statistical methods in sports

Instituce: Vysoké učení technické v Brně (web)
Informace o dostupnosti dokumentu: Plný text je dostupný v Digitální knihovně VUT.
Původní záznam: https://hdl.handle.net/11012/248572

Trvalý odkaz NUŠL: http://www.nusl.cz/ntk/nusl-619005


Záznam je zařazen do těchto sbírek:
Školství > Veřejné vysoké školy > Vysoké učení technické v Brně
Vysokoškolské kvalifikační práce > Diplomové práce