MACHINE LEARNING APPROACHES TO PREDICT THE MATCH RESULT: BRAZILIAN FUTSAL LEAGUE CASE

• Published in: Revista Brasileira de Futsal e Futebol 2021-05, Vol.13 (53), p.275
• Main Authors: Duarte, Denio, Coppini, Jefferson Alexandre
• Format: Article
• Language: Portuguese
• ISSN: 1984-4956; 1984-4956

The use of machine learning approaches in sports has been grown in the last decade. Sports analytics, outcome match results, and possible player's injury are examples of machine learning applications. Accordingly, this work aims to use machine learning techniques to build models to predict FutSal National League (LNF) results (win/loss/draw) based on data collected in the first half of a match. To accomplish that, we extract the data from the LNF website, and, based on the data, we propose six new features using the concept of team strength. The data correspond to the 2016 to 2019 seasons. The models are built usimg machine learning approaches, and they are validated through an accuracy metric. We build ten models, and the predictions are organized as follows: the individual performance of each model and a voting approach (committee) based on the majority of the predicted results. The results show that the individual models get better performance when predicting a single result (e.g., home win) with 95% accuracy. On the other hand, the committee gets a better performance regarding the overall results. The win, loss, and draw results reach almost 79% accuracy. Key words: Futsal. Supervised Machine Learning. Prediction Models. Utilizando abordagens de aprendizado de maquina para prever resultados de jogos: o caso da liga nacional de futsal O uso de tecnicas de aprendizado de maquina na area esportiva cresce dia a dia. Areas como analise esportiva, previsao de resultados e prevencao de contusoes se apoiam cada mais nessas tecnicas para obterem resultados mais eficazes. Neste contexto, este trabalho tem como objetivo prever os resultados de partidas de futsal da Liga Nacional de Futsal (LNF) (vencedor mandante, vencedor visitante e empate) utilizando os dados gerados durante o primeiro tempo da partida. Os dados foram extraidos do sitio da LNF e, alem, dos atributos extraidos, seis novos atributos baseados na forca dos times foram propostos. Os dados correspondem as temporadas de 2016 a 2019. A previsao dos resultados e feita atraves de modelos construidos por algoritmos de aprendizado de maquina. A validacao do modelo foi feita atraves da acuracia dos resultados de previsao. Foram criados dez modelos de previsao e os resultados foram organizados da seguinte forma: o desempenho individual de cada modelo e um comite de votacao em que o resultado mais votado e o resultado utilizado na previsao. Resultados apontam que os modelos individuais possuem melhores desem