Publicação: Predição de escalação de jogadores no jogo Cartola FC utilizando aprendizado de máquina
Carregando...
Arquivos
Tipo do documento
Data
Direito de acesso
Coleções
Programa
Área do conhecimento
CNPQ::CIENCIAS EXATAS E DA TERRA
Título da Revista
ISSN da Revista
Título de Volume
Autores
Orientador
Coorientador
Resumo
Este trabalho propõe o uso de algoritmos de aprendizado de máquina e otimização para
prever o desempenho de jogadores de futebol no fantasy game Cartola FC, com o objetivo de montar equipes otimizadas para maximizar a pontuação ao longo do campeonato.
Foi construída uma base de dados composta por informações históricas de desempenho
individual dos atletas, juntamente com informações contextuais das partidas. Após a sua
definição, os dados passaram pela etapa de pré-processamento, que envolve normalização,
seleção de atributos e balanceamento das bases. Esses dados foram usados como entrada
para diferentes modelos preditivos cuja sua saída consiste na pontuação que cada atleta
alcançará em determinada rodada. Foram explorados os seguintes métodos: Máquina de
Vetores de Suporte (SVM), Floresta Aleatória, Catboost e uma Rede Neural Recorrente
(RNR). Em seguida, foi aplicado um método baseado no algoritmo genético para criar
a melhor configuração de time, levando em consideração as restrições de orçamento e
formação tática, retornando a escalação mais adequada. A abordagem proposta, de predição e otimização, mostrou-se eficaz, atingindo a média de 91.01 pontos ao longo do
período proposto, com a pontuação máxima de 113.96 pontos na vigésima nona rodada
do campeonato.
Abstract
Palavras-chave
Cartola FC, Aprendizado de Máquina, Regressão Supervisionado, Modelos Preditivos, Algoritmo Genético, Cartola FC, machine learning, supervised regression, predictive models, genetic algorithm
Citação
MATSUHASHI, Lucas Yudi. Predição de escalação de jogadores no jogo Cartola FC utilizando aprendizado de máquina. 2025. 52 f. Trabalho de Conclusão de Curso (Graduação em Ciência da Computação) - Universidade Federal de Uberlândia, 2025