直男码农居然用AI预测世界杯冠军，看完推理全程的我彻底懵逼了

虽然从机器学习的角度来说，数据仍然显得有些少，但仔细数一数，也有将近50个了（这个过程花了码叔整整3天啊~~~本来组里有个妹子发现我偷偷搞这个，硬要陪着我加班帮我搜集数据，我觉得她是个球盲，什么也不懂，很碍事，就让她先回家了，现在想想，我是不是错过了什么）。

说仔细一些，我发现进入历届世界杯八强的队伍，主要是欧洲和南美洲的球队，而中北美洲、非洲、亚洲的球队很少（在此鸣（bi）谢（shi）亚洲某世界杯四强队），因此我将大洲分为欧洲、南美洲和其他三种，使用one-hot编码（用三个特征，分别表示球队国家所在的大洲是否是欧洲、南美洲、其他大洲，是的话为1，否则为0，这样对每一个球队来说，这三个特征只有一个是1，其他两位都是0）。

我先计算了特征与得分之间的皮尔森系数，系数绝对值越大，说明特征与得分相关度越高，根据皮尔森系数，筛选出一些相关度比较高的特征进行建模。

训练模型方面，我用了现在使用较为广泛的随机森林模型。随机森林是一种集成学习算法。

如上图所示，随机森林是由很多棵决策树构成的一片“森林”，对于一个样本，“森林”中的每棵“树“都会给出自己的预测结果，然后所有“树”根据民主方式进行投票，决定最终预测结果。

例如在分类问题中，共有10棵树，8棵树预测为A，2棵树预测为B，则投票结果显示为A。

在训练模型时，因样本数量有限，我将每棵树深度设置的较浅，并且通过限制叶子节点的样本数目进行剪枝。

图中没有子节点的节点被称作叶子节点，每个样本，从根节点开始，判断是否满足每个节点的条件，如果满足条件，则进入左侧节点，否则进入右侧节点，最终会落入一个叶子节点，叶子节点的value就是这棵树对该样本的预测值，所有树预测值的平均值，作为预测的最终得分。

用这个方法，最后四强球队的得分分别是：

球队

得分

法国

0.85

比利时

2.85

英格兰

0.85

克罗地亚

0.53

从这个角度看，比利时将会夺冠，也就是说，华帝的钱，真不一定退的出去。

足球是圆的，就像谁也不会想到德国会输给亚洲某世界杯四强队一样，这个结论我也不知道准不准，但是我用这个方法验算了2014年世界杯的结果，发现……是准的。

2014年的八强，德国夺冠概率明显高于其他队伍

05

写在最后

用“随机森林”预测世界杯结果的准确性，关键在于数据量以及数据的维度，否则结果可能大相径庭。

前不久，世界顶尖投行高盛也通过这种方法，预测了本届世界杯结果，而他们的结论是：

巴西最终夺冠的几率为 18.5%，高于法国 11.3% 和德国 10.7%；西班牙和阿根廷表现低迷，在四分之一决赛被淘汰；德国和巴西将分别在半决赛中击败葡萄牙和法国晋级。

从当前赛况来看，高盛的预测可以说是一塌糊涂。

问题出在哪儿？主要是因为高盛用了更少的参数。他们将数据参数严格限制在球队和个人级别的指标上、最后只有五个主要指标或者变量，分别是：球队评级、球员评级、球队近期表现、对手近期表现和球队近期进球势头。

（编辑：云计算网_泰州站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!