Clase 6 de 20 • Curso de Fundamentos de Machine Learning
Contenido del curso
Tipos de modelos de machine learning para análisis deportivo
Modelos supervisados para predecir resultados deportivos
Modelos no supervisados para análisis de rendimiento deportivo
Configuración de Python y Jupyter para análisis deportivo
quiz de Fundamentos de Machine Learning y Contexto Deportivo
División de datos en machine learning con train_test_split
Creación de modelos de regresión lineal para predecir goles
Métricas para evaluar modelos de Machine Learning en predicciones
Análisis de métricas R² en modelos de regresión deportiva
Cuándo elegir regresión lineal vs árboles de decisión
quiz de Modelado Predictivo Supervisado
El análisis del rendimiento de un equipo de fútbol requiere, antes que nada, una buena interpretación del pasado para entender el presente. Usando herramientas estadísticas básicas y visualizaciones efectivas, podemos extraer valiosas pistas que expliquen por qué un equipo triunfa o tiene dificultades. Concretamente, empleando bibliotecas como pandas, Matplotlib y seaborn, analizamos datos reales del equipo Cebollitas en diferentes condiciones de juego para obtener una visión clara sobre su desempeño.
Una de las maneras más eficaces para comenzar a entender los datos de partidos es mediante funciones básicas en Python. Para ello:
.head(), que por defecto muestra cinco registros, pero permite ver más ajustando el parámetro..describe() ofrece un resumen instantáneo, mostrando datos como promedio, mínimo, máximo y percentiles, facilitando el análisis fundamental del rendimiento del equipo.Usando estas herramientas se obtiene información clara sobre promedio y máximos en situaciones esenciales, como los goles y los tiros al arco.
Conociendo el promedio de goles en cada condición podemos identificar fortalezas claras:
Este hallazgo, obtenido al usar promedios simples, puede mostrar aspectos claves para planteamientos tácticos.
Distribuciones visuales mediante histogramas permiten descubrir:
Además, al utilizar gráficas de caja o boxplots, podemos detectar claramente resultados extremos (goleadas y derrotas notables), indicando un rendimiento frecuente entre un gol y cuatro goles, pero ocasionales resultados atípicos que merecen especial atención.
Una gráfica scatterplot de posesión contra goles refleja:
A través de un mapa de calor o heatmap de correlaciones identificamos:
La correlación entre variables ofrece pistas iniciales, aunque limitadas, y abre la puerta para el desarrollo posterior de modelos predictivos más sofisticados.
La interpretación adecuada de estadísticas descriptivas y su representación visual permiten comprender cómo juegan los equipos y abren el camino para desarrollar modelos capaces de predecir resultados futuros de partidos deportivos.