Loading...
Please wait, while we are loading the content...
Similar Documents
Análise Posicional de Jogadores Brasileiros de Futebol Utilizando Dados GPS
| Content Provider | Semantic Scholar |
|---|---|
| Author | Gasparini, Randal |
| Copyright Year | 2018 |
| Abstract | The professional soccer is always changing and is constantly searching tools and data to help the decision-making, providing tatics and techniques to the team. In Brazil, this sport goes to same way and the investiments are considerables. The One Sports is a company that capture GPS data from professional soccer players of some brazilian teams. This set of data has a lot of features and the One Sports asked if was possible to predict the ideal position of a player. Then, was firmed a cooperation between a academic study and a comercial company. This work find to understand a propose methods and techniques to predict the ideal position of soccer player, using machine learning algorithms. The database has more of one million of tuples. It was submited to pre-processing step, what is fundamental, because generated new features, removed incomplete and noisy data, generated new balaced dataset and delete outliers, preparing the data to execution of the algorithms k-NN, decision trees, logistic regression, SVM and neural networks. With the purpose to understand the performance and accuracy, some scenarios was tested. There was poor results when executed multi-class problems. The best results come from binary problems. The models k-NN and SVM, specifically to this study, had the best accuracy. It is important to note that SVM spent more than six hours to finish your execution, and k-NN used less than one and half minute to end. Key-words: Machine Learning; Soccer; Classification; GPS. Lista de ilustrações Figura 1 – Ilustração da metodologia a ser adotada nesse trabalho . . . . . . . . . 27 Figura 2 – Hiperplano SVM linear Imagem baseada no original (BURGES, 1998) 39 Figura 3 – Rede neural artificial e suas conexões Imagem baseada nos originais de (CARVALHO, 2005) e (FACELI et al., 2011) . . . . . . . . . . . . . 40 Figura 4 – Quantidade de artigos publicados por ano . . . . . . . . . . . . . . . . 51 Figura 5 – Mapeamento latitudinal e longitudinal das extremidades do campo do Maracanã . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58 Figura 6 – Distância do zagueiro em relação ao meio de campo durante o primeiro e segundo tempo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60 Figura 7 – Aplicação do método wrapper . . . . . . . . . . . . . . . . . . . . . . . 62 Figura 8 – Dados reduzidos para 2 dimensões utilizando PCA . . . . . . . . . . . 64 Figura 9 – Todas as classes reduzidas para 3 dimensões utilizando PCA . . . . . . 64 Figura 10 – Classe "meia central"reduzida para 3 dimensões utilizando PCA . . . . 65 Figura 11 – Classe "atacante"reduzida para 3 dimensões utilizando PCA . . . . . . 65 Figura 12 – Todas as classes sem outliers reduzidas para 3 dimensões utilizando PCA 67 Figura 13 – Classe "meia central"reduzida para 3 dimensões utilizando PCA sem outliers . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67 Figura 14 – Classe "atacante"reduzida para 3 dimensões utilizando PCA sem outliers 68 Figura 15 – Todas as classes balanceadas, sem outliers e reduzidas para 3 dimensões utilizando PCA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70 Figura 16 – Visualização parcial da ferramenta desenvolvida com o intuito de auxiliar as execuções dos algoritmos 1/2 . . . . . . . . . . . . . . . . . . . . . . 73 Figura 17 – Visualização parcial da ferramenta desenvolvida com o intuito de auxiliar as execuções dos algoritmos 2/2 . . . . . . . . . . . . . . . . . . . . . . 74 Figura 18 – Busca do melhor k para o algoritmo k-NN com base balanceada iniciando com 3 vizinhos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77 Figura 19 – Busca do melhor k, iniciando em 1, para o algoritmo k-NN com base balanceada . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78 Figura 20 – Busca do melhor k para o algoritmo k-NN com base desbalanceada . . 79 Figura 21 – Demonstração reduzida da montagem da árvore de decisão utilizando a ferramenta de apoio desse estudo . . . . . . . . . . . . . . . . . . . . . 79 Figura 22 – Gráfico da função sigmóide das classes zagueiro e atacante . . . . . . . 80 Figura 23 – Separação das classes zagueiro e atacante na regressão logística . . . . 81 Figura 24 – Separação das classes utilizando SVM com kernel RBF . . . . . . . . . 82 Figura 25 – Rede neural utilizada na execução do algoritmo . . . . . . . . . . . . . 83 Figura 26 – LE Lateral Esquerco, LD Lateral Direito. Equivalência de ângulo e posicionamento para os laterais . . . . . . . . . . . . . . . . . . . . . . 86 |
| File Format | PDF HTM / HTML |
| Alternate Webpage(s) | https://repositorio.ufscar.br/bitstream/handle/ufscar/9748/defesa.pdf?isAllowed=y&sequence=3 |
| Language | English |
| Access Restriction | Open |
| Content Type | Text |
| Resource Type | Article |
