Entendendo a evolução das habilidades de jogadores de futebol através das pontuações do jogo eletrônico FIFA
Resumo
A popularidade do futebol gera interesse em caracterizar o desenvolvimento de jogadores de elite, seja por razões comerciais ou de entretenimento. A EA Sports, produtora da franquia de jogos eletrônicos FIFA, investe em avaliar os atletas para representá-los de forma realista. Neste artigo são estudadas as pontuações atribuídas em múltiplas atualizações como medições longitudinais e é avaliada a possibilidade de descrever as curvas de desenvolvimento através de um número relativamente pequeno de padrões. É proposta uma transformação das séries de medições que visa enfatizar formatos e são utilizadas técnicas de análise de agrupamentos nas observações, a saber k-means e Spectral Clustering. São avaliados os resultados para múltiplas habilidades de jogadores em diferentes grupos de posições e apresentados 11 Padrões de Evolução identificados nos agrupamentos. É utilizado o índice Average Silhouette Width.
Palavras-chave:
clustering, data mining, sports analytics
Referências
Akhanli, S. E. and Hennig, C. Some issues in distance construction for football players performance data. Archives of Data Science 2 (1), 2017.
Caiado, J., Maharaj, E., and D’urso, P. Time series clustering. In C. Hennig, M. Meila, F. Murtagh, and R. Rocci (Eds.), Handbook of Cluster Analysis. CRC Press, USA, pp. 241–263, 2016.
Cotta, L., de Melo, P. O. V., Benevenuto, F., and Loureiro, A. A. Using fifa soccer video game data for soccer analytics. In Proceedings of the KDD Workshop on Large-Scale Sports Analytics. San Francisco, USA, 2016.
Eirola, E., Doquire, G., Verleysen, M., and Lendasse, A. Distance estimation in numerical data sets with missing values. Information Sciences vol. 240, pp. 115–128, 2013.
Halkidi, M., Vazirgiannis, M., and Hennig, C. Method-independent indices for cluster validation and estimating the number of clusters. In C. Hennig, M. Meila, F. Murtagh, and R. Rocci (Eds.), Handbook of Cluster Analysis. CRC Press, USA, pp. 595–618, 2016.
McFee, B. and Ellis, D. Analyzing song structure with spectral clustering. In ISMIR. pp. 405–410, 2014.
Meila, M. Spectral Clustering. In C. Hennig, M. Meila, F. Murtagh, and R. Rocci (Eds.), Handbook of Cluster Analysis. CRC Press, USA, pp. 147–164, 2016.
Paparrizos, J. and Gravano, L. Fast and accurate time-series clustering. ACM Transactions on Database Systems 42 (2): 8, 2017.
Reagan, A. J., Mitchell, L., Kiley, D., Danforth, C. M., and Dodds, P. S. The emotional arcs of stories are dominated by six basic shapes. EPJ Data Science 5 (1): 31, 2016.
Sardá-Espinosa, A. Comparing time-series clustering algorithms in r using the dtwclust package. [link], 2017.
Soto-Valero, C. A Gaussian mixture clustering model for characterizing football players using the EA Sports’ FIFA video game system. RICYDE. Revista Internacional de Ciencias del Deporte 13 (49): 244–259, 2017.
Von Luxburg, U. A tutorial on spectral clustering. Statistics and computing 17 (4): 395–416, 2007.
Vroonen, R., Decroos, T., Van Haaren, J., and Davis, J. Predicting the potential of professional soccer players. In Machine Learning and Data Mining for Sports Analytics ECML/PKDD 2017 workshop. Skopje, Macedonia, 2017.
Caiado, J., Maharaj, E., and D’urso, P. Time series clustering. In C. Hennig, M. Meila, F. Murtagh, and R. Rocci (Eds.), Handbook of Cluster Analysis. CRC Press, USA, pp. 241–263, 2016.
Cotta, L., de Melo, P. O. V., Benevenuto, F., and Loureiro, A. A. Using fifa soccer video game data for soccer analytics. In Proceedings of the KDD Workshop on Large-Scale Sports Analytics. San Francisco, USA, 2016.
Eirola, E., Doquire, G., Verleysen, M., and Lendasse, A. Distance estimation in numerical data sets with missing values. Information Sciences vol. 240, pp. 115–128, 2013.
Halkidi, M., Vazirgiannis, M., and Hennig, C. Method-independent indices for cluster validation and estimating the number of clusters. In C. Hennig, M. Meila, F. Murtagh, and R. Rocci (Eds.), Handbook of Cluster Analysis. CRC Press, USA, pp. 595–618, 2016.
McFee, B. and Ellis, D. Analyzing song structure with spectral clustering. In ISMIR. pp. 405–410, 2014.
Meila, M. Spectral Clustering. In C. Hennig, M. Meila, F. Murtagh, and R. Rocci (Eds.), Handbook of Cluster Analysis. CRC Press, USA, pp. 147–164, 2016.
Paparrizos, J. and Gravano, L. Fast and accurate time-series clustering. ACM Transactions on Database Systems 42 (2): 8, 2017.
Reagan, A. J., Mitchell, L., Kiley, D., Danforth, C. M., and Dodds, P. S. The emotional arcs of stories are dominated by six basic shapes. EPJ Data Science 5 (1): 31, 2016.
Sardá-Espinosa, A. Comparing time-series clustering algorithms in r using the dtwclust package. [link], 2017.
Soto-Valero, C. A Gaussian mixture clustering model for characterizing football players using the EA Sports’ FIFA video game system. RICYDE. Revista Internacional de Ciencias del Deporte 13 (49): 244–259, 2017.
Von Luxburg, U. A tutorial on spectral clustering. Statistics and computing 17 (4): 395–416, 2007.
Vroonen, R., Decroos, T., Van Haaren, J., and Davis, J. Predicting the potential of professional soccer players. In Machine Learning and Data Mining for Sports Analytics ECML/PKDD 2017 workshop. Skopje, Macedonia, 2017.
Publicado
22/10/2018
Como Citar
SOARES JR., Ivan R.; ASSUNÇÃO, Renato M.; VAZ DE MELO, Pedro O. S..
Entendendo a evolução das habilidades de jogadores de futebol através das pontuações do jogo eletrônico FIFA. In: SYMPOSIUM ON KNOWLEDGE DISCOVERY, MINING AND LEARNING (KDMILE), 6. , 2018, São Paulo/SP.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2018
.
p. 121-128.
ISSN 2763-8944.
DOI: https://doi.org/10.5753/kdmile.2018.27393.
