通过 FIFA 数据分析，本文针对足球运动员转会费用的主要影响因素，提出了基于 LightGBM 模型的改进方法，采用树形 Parzen 算法进行超参优化，并通过 SHapley Additive exPlanations 算法进行特征筛选。与基线回归模型和梯度提升模型相比，优化后的 LightGBM 模型以 RMSE 为标准的表现约为回归基线模型、GBDT 和 LightGBM 模型的 3.8 倍、1.4 倍和 1.8 倍，具有很好的准确性。该模型提供了运动俱乐部在未来招募球员时所需考虑的属性解释。

Jun, 2022

机器学习在足球比赛结果预测中已成为一种常见方法，本章讨论了该领域中可用的数据集、模型类型和特征以及评估模型性能的方法。研究发现，目前基于渐变提升树模型（如 CatBoost）和特定于足球比赛的评分（如 pi - 评分）的机器学习模型在只包含进球作为比赛特征的数据集上表现最佳，但需要更详细比较深度学习模型和随机森林在不同类型特征数据集上的性能。此外，可以进一步研究新的评分系统，其中包括球员和团队级别信息，并融合来自时空追踪和事件数据的附加信息。最后，需要提高比赛结果预测模型的可解释性，以使其对团队管理更有用。

Mar, 2024

介绍了可解释的广义加性模型，旨在帮助科学家和从业者之间的理解和沟通；与这个主题相关的是足球玩家表现，对于这个主题，目前主要的挑战是直接量化足球玩家的表现；而阐释生产出的指标的可理解性通常比模型的准确性更重要。

May, 2021

本文探讨了一种两阶段的可解释的人工智能方法，用于预测巴西排球联赛中比赛的结果。该方法使用支持向量机和深度神经网络来获得预测性能，并使用 ProtoDash 和 SHAP 构建数据实例的后处理解释说明模型的预测。结果表明，模型预测的解释有效。

Jun, 2022

该研究介绍了期望目标模型的全局解释（介于局部和全局之间），通过提出使用 SHAP 值和部分依赖配置文件的聚合版本，实现在团队和球员水平上进行性能分析，以从期望目标模型中提取球员或团队的知识而不仅仅是单个射门。此外，我们进行了真实数据应用来说明聚合的 SHAP 值和聚合性能配置文件的有用性。该论文最终对这些解释在足球分析中的性能分析潜力进行了讨论。

Aug, 2023

机器学习模型在足球比赛预测方面的性能评估和梯度提升树模型的最佳特征集的确定的研究。

Sep, 2023

我们开发了一种人工智能方法来预测足球运动员的转会费。该模型可以帮助俱乐部在购买和出售球员时做出更好的决策，从而提高球队的表现并增加俱乐部的预算。我们采集了关于球员表现、转会费和其他可能影响球员价值的因素的数据，然后使用这些数据训练了一个可以准确预测球员对比赛影响的机器学习模型。我们进一步将得到的结果作为转会费预测器的一个特征。该模型可以帮助俱乐部识别被低估并能够盈利出售的球员，也可以帮助俱乐部避免为球员支付过高的费用。我们相信我们的模型可以成为足球俱乐部的有价值工具，帮助他们在球员招募和转会方面做出更好的决策。

Jan, 2024

本研究探讨了职业足球历史与博彩业的重要性，并追溯了其从秘密起源到利润丰厚的千万英镑企业的演变。通过 1960 年合法化博彩所引发的转变和 Thorold Charles Reep 在足球数据收集方面的开拓，这两个领域之间的共生关系推动了快速的增长和创新。在过去的六十年中，这两个行业都经历了根本性的转变，数据收集方法从简单的记笔记发展到高清摄像机和人工智能驱动的分析等先进技术。因此，本研究的主要目标是利用机器学习算法预测英超联赛足球比赛结果。通过分析历史数据和研究各种特征的重要性，研究旨在识别最有效的预测模型，并确定影响比赛结果的关键因素。此外，研究旨在利用这些预测结果为博彩公司提供赔率设定的见解，从而强调了运动预测和博彩中明智决策的潜力，为体育分析领域的研究和实际应用开辟了新的途径。

Mar, 2024

我们提出一种统计增强学习（SEL）模型来预测手球比赛。我们的机器学习模型加上 SEL 特征，在准确率上超过了现有模型。我们展示了如何构建数据集，在过去的女子俱乐部比赛中训练机器学习模型。我们比较了不同的模型，并评估它们的性能能力。最后，解释性方法使我们的工具不仅是一个预测解决方案，而是一个高度洞察力的分析工具。这对手球队的教练提供了有价值的统计和预测见解，以准备未来的比赛。

Jul, 2023

本文介绍 PlayeRank，一个基于数据驱动的框架，可提供多维度、角色感知的足球运动员表现评估，通过与其他算法和专业球探的评估比较，表明 PlayeRank 在表现评估方面显著优于竞争对手，同时探讨了该框架的一些应用，展示了其灵活性和效率，值得用于设计一个可扩展的足球分析平台。

Feb, 2018