基于决策树算法建立足球预测模型，成绩令人惊讶

前言

自从大数据时代开启，昔日许多的难题都变得简单化了，这不仅让我好奇足球预测是否也是如此，于是和几个志同道合的朋友们一起，以决策树算法为基础建立了一份足球预测模型系统，经过几年技术迭代系统升级后如今预测成绩也是相当可以了，近期预测战绩如下：

此模型建立的足球预测系统就先放在这了，感兴趣的朋友可以试试看：
足球预测系统   提取码：fz0o 

除此之外还有比分预测、角球预测等等，不过这都是后话了，这里将我建立模型的部分心得写下来，希望能对各位有所启发。

整体设计理念

对于足球分析预测系统来说，它首先应该是一个可以独立运行的，自动获取更新比赛各类信息，并且由此来更新预测算法，生成预测结果的系统。

足球赛事预测模型

球队进球率模型

若要反映球队的进攻实力数据，进球率无疑是最好的写照，其计算公式为：

进球率=总进球数/总比赛场数

获得交战双方的进球率后，便可对两队进球率相减，得到进球率值差，这在很大程度上可以意味着球队胜负的走势。

球队积分模型

球队积分客观反映了球队的成绩，而近几轮的球队积分则是球队近期的状态很好的体现。其中，球队近五轮的积分越高，则说明该球队状态越好，下轮比赛胜率也就越高，为了反应比赛真是状态，还需添加球队的胜率权重，其胜率的信息增益率和近五轮积分关系如下图所示：

不难看出，当近五轮积分达到10时，信息增益率达到峰值。对于胜率来说，也呈现相似趋势，但胜率达53%时，信息增益率也达到峰值，如下图所示：

数据挖掘C4.5算法及其应用

C4.5算法简介

C4.5算法的实质就是由样本集生成决策树的过程。该算法生成了一个决策树形式的分类器；决策树是具有两类节点的结构；叶节点表示一个类；决策节点指定要在单个属性值上进行的检验，对检验的每个可能输出都有一个分支和子树。

C4.5预测模型

基于上述两个数据模型，可以得到一个数据集，包含进球率和近五轮积分两个属性，通过C4.5算法，可以将这个数据集作为基础生成决策树，去除极端情况，该决策树分布图如下：

足球结果分析预测

对数据集使用C4.5算法生成决策树后，系统可以获得一个大致的胜负分析标准，若具化在二维坐标系中，可以理解成一个范围。

对于待分析预测的比赛，先计算出比赛的进球率和胜利指数!根据数值分布分别处理，在描述处理步骤之前，再次声明一下所需要用到的参数。

将分析失败却胜利的数据占所有分析失败数据的比例为L；分析胜利结果失败的数据占所有胜率数据的比例设为W；划分胜利边界的焦点为A（X1，Y1）；划分失败边界的交点B（X2，Y2）；点A点B的中点为点C（X3，Y3）；该数据为点D（X4，Y4），设胜利权重为W1，平局权重为W2，失败权重为W3；S=W1+W2+W3。

对于分布在胜利的数据处理：

对于分布在失败的数据的处理：

对于分布在胜利或失败范围之外的数据处理：

最初版本实验数据系统

在实现系统应用的基础上，系统基于历史比赛数据对足球比赛的分析的结果，也与真实结果较为相似，初代系统如下图所示：

可以看出足球比赛的胜负确实存在一定程度的规律，但也并非没有例外的出现，因此对足球胜负的预测现今是难以做到百分之百的准确的。

现版本足球预测系统

八成预测准确率

初代版本的预测系统仅使用了决策树算法，经过多年的技术迭代后，现版本预测系统还参照了泊松分布、蒙特卡洛、贝叶斯、ELO、机器学习算法等技术，预测准确率也得到了进一步提升，目前综合预测准确率已趋于80%，近期预测战绩如下：

赛事监控模块

除了预测技术的更新之外，现版本还新添了赛事监控模块，该模块能对比赛进行实时监控，根据UWB技术，系统能够实时监控比分、让球、大球的变化，还能及时查看盘口掉水。升盘情况的变动，并对此进行提醒，对于老球迷们来说，根据这些信息可以进一步的提升胜率，例如：当没有进球的情况下，监控多次提示10分钟盘口不变，那么就说明接下来进球的概率会得到提升。

总结

本文基于大数据时代的热潮，以决策树算法作为基底根据数据挖掘建立了一项足球预测系统，并随着后续技术迭代逐步引入了泊松分布、蒙特卡洛、ELO、贝叶斯、机器学习算法等，现足球预测率已达到80%左右，并且不仅是进球预测和胜平负预测，还建立了比分预测和角球数预测模型，感兴趣的可以来详细了解。

系统分享 
提取码：fz0o