Futbolda Yapay Sinir Ağları Modeli İle Lig Sıralaması Tahmini

Yıl 2020, Cilt: 6 Sayı: 2, 379 - 391, 31.12.2020

Faruk Kılıç , Hasan Aka , Zait Burak Aktuğ

Öz

Bu çalışmanın amacı, 7 farklı giriş değişkenine göre geliştirilen Yapay Sinir Ağlar (YSA) modeli ile Türkiye Süper Lig takım sıralamasının tahmin edilmesidir. Çalışmada Türkiye Süper Liginde üç sezonda (2015/2016, 2016/2017, 2017/2018) oynanan toplam 918 lig maçında; top kazanma, pas sayısı (isabetli pas, hücum pası ve gol öncesi pas sayısı), maç boyu topa sahip olma, golle sonuçlanan atak süresi ve atılan şut sayısına ait veriler değerlendirilmiştir. Çalışmada 2015/2016 ve 2016/2017 sezonlarında oynanan maçlar (giriş değişkenleri) analiz edilmiş ve 2017/2018 sezonu lig sıralaması (çıkış değişkeni) tahmin edilmiştir. Modelde üretilen değer 0 - 1 aralığında olduğundan eğitilen bir ağ için 100 ile çarpılarak lig sıralaması bulunmuştur. Geliştirilen YSA modeli ile yapılan analiz sonuçlarına göre Türkiye Süper Lig takım sıralaması test veri kümesinde bulunan birçok takım için %94’ün üzerinde doğruluk oranı ile tahmin edilmiştir. Sonuç olarak futbolda skoru değiştiren en önemli etkenler olan atılan şut, top kazanma, pas sayısı, hücum süresi ve topa sahip olma değişkenlerinin lig sıralamasının belirlenmesinde de önemli bir parametre olduğu bulunmuştur. YSA modeli ile yapılan maç analizleri sayesinde antrenörlerin performansa dayalı önemli çıkarımlar yapabileceği düşünülmektedir.

Anahtar Kelimeler

Yapay Sinir Ağları, Lig Sıralaması, Futbol

Kaynakça

• 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.
• Ayyıldız, E. (2018). Estimation of American Basketball League (NBA) match results by artificial neural networks. Gaziantep University Journal of Sports Science, 3(1): 40-53.
• 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.
• Baca, A. (2014). Computer science in sport: Research and practice. London: Routledge.
• Bartlett, R. (2006). Artificial intelligence in sports biomechanics: New dawn or false hope. Journal of Sports Science and Medicine, 5(4): 474-479.
• Carling, C., Williams, A., Reilly, T. (2005). The handbook of soccer match analysis. London: Routledge.
• Carling, C. (2016). Match evaluation: Systems and tools. Match performance and analysis. soccer science. Ed. Strudwick T. Human Kinetics. ABD.
• Coutts, A. J. (2014). Evolution of football match analysis research. Journal of Sports Sciences, 32(20): 1829-1830.
• Erith, S., Curneen, G. (2016). Optimal preparation for defensive play. Soccer science. Ed. Strudwick T. Human Kinetics. ABD.
• Franks, I. M., Hughes, M. (2016). Successful coaching through match analysis. Meyer and Meyer Sport.
• Harley, R. A., Tozer, K., Doust, J. (2002). An analysis of patterns and physiological strain in relation to optimal positioning of association football referees. Science and Football. Ed. Sprinks, W., Reilly, T., Murphy, A. Routledge Printing House, London and Newyork
• Haykin, S. (1999). Neural networks and learning machines. India: Pearson Prentice Hall Igiri, C. P., & Nwachukwu, E. O. (2014). An improved prediction system for football a match result. IOSR Journal of Engineering 4, 12-20.
• Ivankovic, Z., Rackovic, M., Markoski, B., Radosav, D., Ivankovic. M. (2010). Analysis of basketball games using neural networks. In Computational Intelligence and Informatics (CINTI) 11th International Symposium, 251–256. Obuda University Budapest, Hungary.
• Kahn, J. (2003). Neural network prediction of NFL football games. World Wide Web Electronic Publication.
• Macukow, B. (2016). Neural Networks – State of Art, Brief History, Basic Models and Architecture, Faculty of Applied Mathematics and Information Science, 3-14.
• McCabe, A., Trevathan, J. (2008). Artificial intelligence in sports prediction. In information technology: New generations, 2008. ITNG 2008 Fifth International Conference, 1194–1197. Las Vegas.
• 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.
• Mohr, M., Krustrup, P., Bangsbo, J. (2003). Match performance of high-standard soccer players with special reference to development of fatigue. Journal of Sports Sciences. 21(7): 519-28.
• 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)
• Öztemel, E. (2003). Yapay sinir ağları. Türkiye: Papatya Yayınevi.
• Sağıroğlu, Ş., Beşdok, E., Erler, M. (2003). Mühendislikte yapay zeka uygulamaları– 1:yapay sinir ağları. Kayseri: Ufuk Kitap Kırtasiye–Yayıncılık Tic. Ltd. Şti. 299- 426.
• Salman, M. S., Kukrer, O., Hocanin, A. (2017). Recursive inverse algorithm: Mean-square-error analysis. Digital Signal Processing, 66: 10-17.
• Sözen, A., Arcaklioğlu, E., Özkaymak, M. (2005). Turkey’s net energy consumption. Applied Energy, 81(2): 209-221.
• Strudwick T. (2016). Application of soccer science, soccer science. Human Kinetics. 1nd Ed. ABD.
• 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.