Análise comparativa de algoritmos de aprendizado de máquina aplicados ao Campeonato Brasileiro de Futebol

Oliveira, João Victor de

Please use this identifier to cite or link to this item: https://repositorio.ufu.br/handle/123456789/44050

Full metadata record

DC Field	Value	Language
dc.creator	Oliveira, João Victor de	-
dc.date.accessioned	2024-11-28T13:42:40Z	-
dc.date.available	2024-11-28T13:42:40Z	-
dc.date.issued	2024-11-27	-
dc.identifier.citation	OLIVEIRA, João Victor de. Análise comparativa de algoritmos de aprendizado de máquina aplicados ao Campeonato Brasileiro de Futebol. 2024. 45 f. Trabalho de Conclusão de Curso (Graduação em Sistemas de Informação) – Universidade Federal de Uberlândia, Uberlândia, 2024.	pt_BR
dc.identifier.uri	https://repositorio.ufu.br/handle/123456789/44050	-
dc.description.sponsorship	Pesquisa sem auxílio de agências de fomento	pt_BR
dc.language	por	pt_BR
dc.publisher	Universidade Federal de Uberlândia	pt_BR
dc.rights	Acesso Aberto	pt_BR
dc.subject	Aprendizado de máquina, Futebol, Pré-processamento, Métricas, Desempenho da predição.	pt_BR
dc.title	Análise comparativa de algoritmos de aprendizado de máquina aplicados ao Campeonato Brasileiro de Futebol	pt_BR
dc.type	Trabalho de Conclusão de Curso	pt_BR
dc.contributor.advisor1	Miani, Rodrigo Sanches	-
dc.contributor.advisor1Lattes	http://lattes.cnpq.br/2992074747740327	pt_BR
dc.contributor.referee1	Silva, Renato Aparecido Pimentel da	-
dc.contributor.referee1Lattes	http://lattes.cnpq.br/5178445891550640	pt_BR
dc.contributor.referee2	Couto, Leandro Nogueira	-
dc.contributor.referee2Lattes	http://lattes.cnpq.br/9500586005920379	pt_BR
dc.description.degreename	Trabalho de Conclusão de Curso (Graduação)	pt_BR
dc.description.resumo	As predições relacionadas ao futebol despertam interesse tanto dos curiosos quanto dos profissionais desse esporte, e com o atual volume de dados disponíveis, o uso de aprendizado de máquina nesse contexto vai se tornando peça fundamental para alcançar muitos objetivos. O objetivo deste trabalho foi construir modelos de previsão para analisar os resultados do mandante em duas situações: vitória ou empate/derrota, e vitória ou derrota. Os algoritmos escolhidos para a construção dos modelos foram: Regressão Logística, Random Forest, k-Nearest Neighbors, Naive Bayes, Máquina de Vetores de Suporte, XGBoost e LGBM. Para aumentar a generalização e evitar o overfitting, os dados foram divididos em treino e teste e fez-se o uso da validação cruzada. O modelo considerado destaque no cenário sem empates foi o da Máquina de Vetores de Suporte, com acurácia de 72.65% e F1 de 82.04%. Já o modelo de destaque do cenário com empates foi o do XGBoost, com uma boa acurácia de 60.27% e um bom F1 de 64.86%. Para os modelos utilizados no cenário sem empates, os resultados encontrados indicam um desempenho acima do esperado e do que é encontrado nos modelos disponíveis publicamente, muito pelo fato dos empates terem sido removidos, o que deixou o problema de classificação mais simples e facilitou a predição dos modelos. Quando foi trocado o cenário para que tivesse empates nos dados, alguns algoritmos tiveram bons resultados como o XGB e o NB, enquanto outros tiveram desempenho abaixo do esperado, como o k-Nearest Neighbors.	pt_BR
dc.publisher.country	Brasil	pt_BR
dc.publisher.course	Sistemas de Informação	pt_BR
dc.sizeorduration	45	pt_BR
dc.subject.cnpq	CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO	pt_BR
Appears in Collections:	TCC - Sistemas de Informação (Uberlândia)

Files in This Item:

File	Size	Format
AnaliseComparativaDe.pdf	816.61 kB	Adobe PDF	View/Open

Show simple item record