YAPAY SİNİR AĞLARI MODELİ İLE İSPANYA FUTBOL LİGİ (LA LIGA) SEZON SONU TAKIM SIRALAMASININ TAHMİN EDİLMESİ

Abstract

Bu çalışma futbola özgü 8 farklı giriş değişkeni kullanılarak geliştirilen yapay sinir ağları (YSA) modeli ile İspanya (La Liga) Futbol Ligi sezon sonu takım sıralamasının tahmin edilmesi amacıyla gerçekleştirilmiştir. Çalışmada La Liga’da oynanmış 3 sezonda toplam 1140 maçta atılan ve yenilen goller, duran top golleri, kısa ve uzun pas sayısı değişkenleri analiz edilmiştir. La Liga’da 2015/2016 ve 2016/2017 sezon verileri giriş değişkenleri, 2017/2018 sezon verileri ise çıkış değişkeni olarak belirlenmiştir. Çalışmada değerlendirilen veriler eğitim ve test amacıyla rastgele yöntemle ayrılmıştır. Takımların lig sıralaması 0 (sıfır) ile 1 (bir) aralığındaki sayısal değerlerle modellenmiştir. YSA modeli ile yapılan analiz sonuçlarına göre La Liga’da sezon sonu takım sıralaması test veri kümesinde yer alan birçok takım için (% 99 üstü) yüksek doğruluk oranında tahmin edilmiştir. Futbolda önemli parametrelerden olan; atılan ve yenilen goller, duran top golleri (atılan ve yenilen) ve pas sayılarının (kısa ve uzun paslar) sezon sonu lig sıralamasının belirlenmesinde de etkili olduğu tespit edilmiştir. Bu sonuç, YSA ile yapılan müsabaka analizlerinin antrenörlere, takımların teknik ve taktik yönden gelişimlerini olumlu etkileyecek nesnel çıkarımlar sağlayacağı düşünülmektedir.

Keywords

• Yapay sinir ağları
• futbol
• La Liga

THE PREDICTION OF THE SPAIN SOCCER LEAGUE (LA LIGA) END OF SEASON TEAM ORDER THROUGH THE ARTIFICIAL NEURAL NETWORKS MODEL

Abstract

This study was conducted with the aim of predicting the end of the season of Spain (La Liga) Soccer League through the artificial neural networks (ANN) model developed by means of 8 different input variables specific to soccer. In the study, the goals of 1140 games performed in 3 seasons in the La Liga, fixed ball goals, the number of short and long pass variables were analyzed. In the La Liga, it was determined that seasonal data for 2015/2016 and 2016/2017 were as input variables, and seasonal data for 2017/2018 were output variables. The data analyzed in the study were separated randomly for training and testing purposes. The league order of the teams was modeled with numerical values between 0 (zero) and 1 (one). According to the results of the analysis conducted through the ANN model, the end-of-season team order in the La Liga was estimated at high accuracy for several teams (above 99%) in the test dataset. It was also determined that the goals scored and defeated, the fixed ball goals, which is one of the important parameters in soccer, and the number of passes (short and long passes) were also effective in determining the order of the teams in the league at the end of the season. As a result, it is considered that competition analysis through ANN provides objective implications to coaches, which will have positive effect on the technical and tactical development of teams.

Keywords

• Artificial neural networks, soccer, La Liga

References

1. Aka, H. (2020). Yapay Sinir Ağları Modeli İle Futbolda Takım Sıralamasının Tahmin Edilmesi, Spor Bilimleri Alanında Akademik Çalışmalar-2, Gece Kitaplığı Yayın Evi, Ankara s, 173-182.
2. Aka, H., Aktuğ, ZB., Kılıç, F. (2020). Türkiye süper lig sezon sonu takım sıralamasının geliştirilen yapay sinir ağları modeli ile tahmin edilmesi. Spor ve Performans Araştırmaları Dergisi, 11(3), 258-268.
3. Arabzad, A., Araghi, M., Soheil, S. (2014). Football match results prediction using artificial neural networks: The case of Iran pro league. International Journal of Applied Research on Industrial Engineering, 1(3), 159-179.
4. Arslan, A., İnce, R. (1996). The neural network approximation to the size effect in fracture of cementitious materials. Engineering Fracture Mechanics, 54(2), 249-261.
5. Ayyıldız, E. (2018). Amerika Basketbol Ligi (NBA) maç sonuçlarının yapay sinir ağları ile tahmini. Gaziantep Üniversitesi Spor Bilimleri Dergisi, 3(1), 40-53.
6. Baacke, H. (2005). Voleybol Antrenmanı Üst Düzey Takımlar İçin El Kitabı 2. Pekünlü E. (Çev). İstanbul: Çağrı Baskı.
7. Baca, A. (2014). Computer science in sport: Research and practice. London: Routledge.
8. Bartlett, R. (2006). Artificial intelligence in sports biomechanics: New dawn or false hope. Journal of Sports Science and Medicine, 5(4), 474-479.

9. Carling, C., Williams, A., Reilly, T. (2005). The handbook of soccer match analysis. London: Routledge.
10. Carling, C., Bloomfield, J., Nelsen, L., Reilly, T. (2008). The role of motion analysis in elite soccer: Contemporary performance measurement techniques and work rate data. Sports Medicine, 38(10), 839-862.
11. Haykin, S. (1999). Neural Networks and Learning Machines. India: Pearson Prentice Hall.
12. Igiri, C. P., Nwachukwu, E. O. (2014). An improved prediction system for football a match result. IOSR Journal of Engineering, 4, 12-20.
13. Kahn, J. (2003). Neural network prediction of NFL football games. World Wide Web Electronic Publication, 9-15.
14. Kılıç, F., Aka, H., Aktuğu, ZB. (2020). Futbolda yapay sinir ağları modeli ile lig sıralaması tahmini. International Journal of Contemporary Educational Studies, 6(2), 379-391.
15. Koç, M. L., Balas, C. E., Arslan, A. (2004). Taş dolgu dalgakıranların yapay sinir ağları ile ön tasarımı. Teknik Dergi, 15(4), 3351-3375.
16. McCabe, A., Trevathan, J. (2008). Artificial intelligence in sports prediction. In information technology: New generations, 2008. ITNG 2008 Fifth International Conference (ss. 1194–1197). Las Vegas.
17. Menet, F., Berthier, P., Gagnon, M., Fernandez, J. M. (2020). Spartan Networks: Self-feature-squeezing neural networks for increased robustness in adversarial settings. Computers & Security, 88, 1-17.
18. Özden, S., Kılıç, F. (2019). Performance evaluation of GSA, SOS, ABC and ANN algorithms on linear and quadratic modelling of eggplant drying kinetic. Food Science and Technology. (Epub)
19. Öztemel, E. (2003). Yapay sinir ağları. Türkiye: Papatya Yayınevi.
20. Sağıroğlu, Ş., Beşdok, E., Erler, M. (2003). Mühendislikte yapay zeka uygulamaları 1 / Yapay sinir ağları. Kayseri: Ufuk Kitap Kırtasiye –Yayıncılık Tic. Ltd. Şti.
21. Salman, M. S., Kukrer, O., Hocanin, A. (2017). Recursive inverse algorithm: Mean-square-error analysis. Digital Signal Processing, 66, 10-17.
22. Sözen, A., Arcaklioğlu, E., Özkaymak, M. (2005). Turkey’s net energy consumption. Applied Energy, 81(2), 209-221.
23. Sözen, A. (2009). Future projection of the energy dependency of Turkey using artificial neural network. Energy Policy, 37(11), 4827-4833.
24. Tümer, A. E., Koçer, S. (2017). Prediction of team league’s rankings in volleyball by artificial neural network method. International Journal of Performance Analysis in Sport, 17(3), 202-211.
25. UEFA. (2020). https://www.uefa.com/memberassociations/uefarankings/country/#/yr/2020 [Erişim tarihi: 29.06.2020]