São Paulo — InkDesign News — Este artigo investiga como sistemas de machine learning baseados na classificação Elo podem prever resultados no futebol, oferecendo uma alternativa aos sistemas tradicionais de classificação.
Arquitetura de modelo
O sistema Elo, originalmente desenvolvido em 1967 para o xadrez, foi adaptado para o futebol. A proposta se fundamenta na ideia de que as habilidades dos jogadores seguem uma distribuição normal. Para determinar as probabilidades de vitória, utiliza uma função de previsão que considera as diferenças de pontuação entre as equipes. Um fator chave nesta estrutura é a influência da performance em partidas passadas.
“O sistema Elo é baseado em uma ideia simples: é possível construir uma escala de classificação onde muitas medições de performance de um jogador serão normalmente distribuídas.”
(“The Elo system is based on one simple idea: it is possible to build a rating scale where many performance measurements of an individual player will be normally distributed.”)— Arpad Elo, Criador do Sistema Elo
Treinamento e otimização
Para aplicar o modelo, os pesquisadores utilizaram dados do Campeonato Brasileiro de Futebol entre 2012 e 2024. Os primeiros três anos da base de dados foram dedicados à calibração das classificações Elo, enquanto os quatro anos seguintes foram usados para calibrar uma função logística que preveja os resultados das partidas. Essa função se baseia na diferença de ratings entre as equipes envolvidas.
A fórmula de atualização das classificações Elo é uma parte vital do algoritmo. Ela considera o resultado da partida e o resultado esperado, permitindo ajustar as pontuações conforme a performance da equipe em campo. A escala K, que determina o impacto das vitórias ou derrotas sobre a classificação, foi estabelecida em um valor padrão, mas com variações dependendo da situação do time.
Resultados e métricas
Os testes realizados mostraram que o modelo tem uma acurácia de aproximadamente 50%, superando o sistema tradicional que ofereceria apenas 33% de acertos por puro acaso. Com um intervalo de credibilidade de 95%, a probabilidade de acertos do modelo foi estimada em 46% a 50%.
“A utilização de classificações Elo para prever o vencedor de uma partida é, de fato, melhor do que usar as tabelas tradicionais.”
(“Using Elo ratings to predict the winner of a match is indeed better than using traditional leaderboards.”)— Pesquisadores do Estudo
Os resultados indicam que, embora o sistema não seja infalível, ele apresenta uma solução mais robusta para o desafio da previsão de resultados no esporte. Pesquisadores sugerem que aprimorar as variáveis do modelo, além de incluir dados adicionais, pode aumentar ainda mais a precisão das previsões.
O potencial de aplicação desses modelos de machine learning abrange não apenas o futebol, mas também outros esportes, podendo se traduzir em insights valiosos para equipes técnicas e amantes do esporte.
Fonte: (Towards Data Science – AI, ML & Deep Learning)
