Clase 2 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
¿Sabías que es posible predecir resultados deportivos antes de jugarlos? Los modelos supervisados en machine learning permiten anticipar cómo le irá al equipo como Cebolitas FC, basándose en datos históricos como partidos pasados, precisión de tiros y rendimiento de jugadores destacados. Entender cómo funcionan estas herramientas puede ayudarte a optimizar las estrategias del equipo.
Para anticipar resultados, utilizamos datos reales sobre partidos anteriores, como:
Este conjunto forma datos etiquetados que entrenan algoritmos para predecir resultados futuros con gran exactitud.
¡Claro! La regresión lineal es efectiva cuando la relación entre variables es sencilla. Por ejemplo, predice cuántos goles hará el equipo considerando solo tiros realizados.
La regresión logística responde esta inquietud. Su función es estimar probabilidades, no números distintos. Por ejemplo, puede ofrecer un 80% de probabilidad de victoria en el próximo partido.
El árbol de decisión es similar al enfoque de un entrenador durante un partido. Divide datos tomando decisiones basadas en eventos específicos, como cantidad de tiros al arco o posesión.
Sin embargo, hay riesgo de sobreajuste, es decir, memoriza demasiado sin una buena capacidad de generalización. ¿La solución? Random forest, que combina múltiples árboles para elegir los resultados más precisos y estables.
Aquí entran las máquinas de soporte vectorial (SBM, por sus siglas en inglés). Estas técnicas logran separar claramente victorias y derrotas en un mapa de características definidas, perfilándose idealmente para separaciones concretas.
Las redes neuronales son ideales cuando las cosas se vuelven complejas y no lineales, analizando patrones que involucran diversas estadísticas alineadas simultáneamente, como pases, tiros y hasta edades.
Pese a sus ventajas, requieren grandes volúmenes de información y poder computacional considerable.
Todo modelo supervisado necesita datos etiquetados y precisos para funcionar correctamente. Aquí entra el papel fundamental del analista en equipos como Cebollitas FC, asegurando la calidad y precisión de cada dato para optimizar al máximo las predicciones del modelo.
Te invito a reflexionar, ¿qué modelo te gustaría probar en tu próximo análisis para mejorar los resultados del equipo?
