Análisis, modelización y predicción de partidos de baloncesto

Abstract

Aquest treball explica i posa en pràctica els passos a seguir en un projecte de mineria de dades. El present projecte està realitzat de tal manera que la informació explicada sigui comprensible tant per a novells com a experts en la matèria. L'objectiu principal és predir el resultat de partits de bàsquet de la Lliga professional espanyola. Per a aconseguir l'objectiu es fa una introducció a la mineria de dades i les seves diferents metodologies. Es tria una metodologia i s'aplica al treball. Des de l'inici fins al final es personalitza la metodologia a l'interès de l'objectiu principal. S'estudiarà i posarà en pràctica l'obtenció, la manipulació i l'anàlisi de dades. També es modelitzen les dades i s’apliquen tècniques de machine learning com la regressió logística o el bosc aleatori. La modelització de dades consisteix a crear noves dades a partir de les dades que obtenim de la font. A més de les tècniques de machine learning, s'estudien i apliquen mètriques d'avaluació en els resultats per a saber l'eficàcia del nostre algorisme. Queda dir que la part pràctica està desenvolupada mitjançant el llenguatge de programació Python, destacant les llibreries pandes, numpy i SciKit-Learn.

Este trabajo explica y pone en práctica los pasos a seguir en un proyecto de minería de datos. El presente proyecto está realizado de tal manera que la información explicada sea comprensible tanto para primerizos como expertos en la materia. El objetivo principal es predecir el resultado de encuentros de baloncesto de la Liga profesional española. Para lograr el objetivo se hace una introducción a la minería de datos y sus diferentes metodologías. Se escoge una metodología y se aplica al trabajo. Desde el inicio hasta el final se personaliza la metodología al interés del objetivo principal. Se estudiará y pondrá en práctica la obtención, la manipulación y el análisis de datos. También se modelizarán los datos y se aplicarán técnicas de machine learning como la regresión logística o el bosque aleatorio. La modelización de datos consiste en crear nuevos datos a partir de los datos que obtenemos de la fuente. Además de las técnicas de machine learning, se estudian y aplican métricas de evaluación en los resultados para saber la eficacia de nuestro algoritmo. Queda decir que la parte práctica está desarrollada mediante el lenguaje de programación de Python, destacando las librerías pandas, numpy y SciKit-Learn.

This paper explains and implements the steps to follow in a data mining project. The present project is made in such a way that the information explained is understandable for both first time users and experts in the field. The main goal is to predict the outcome of basketball matches in the Spanish professional league. To achieve this aim, an introduction to data mining and its different methodologies is made. A methodology is chosen and applied to the work. From the beginning to the end the methodology is customized to the interest of the main objective. The collection, manipulation and analysis of data will be studied and put into practice. The data will also be modelled and machine learning techniques such as logistic regression or random forest will be applied. Data modelling consists of creating new data from the data we obtain from the source. In addition to the machine learning techniques, evaluation metrics are studied and applied to the results in order to know the effectiveness of our algorithm. The practical part is developed using the Python programming language, highlighting the libraries pandas, numpy and SciKit-Learn.