Modelos assessores como opção de rejeição para predição de
resultados de partidas de futebol
Aprendizagem de Máquina. Opção de rejeição. Assessores.
Futebol. Aprendizagem Supervisionada
O futebol é um esporte amplamente popular, tanto no Brasil quanto em todo o
mundo, com uma indústria bilionária ao seu redor. A utilização de dados e
algoritmos de Aprendizagem de Máquina (AM) tem sido explorada como uma
ferramenta para prever resultados nesse esporte. No entanto, a
imprevisibilidade do futebol torna desafiador obter previsões precisas e
confiáveis. Nesta dissertação, investigamos técnicas de AM com opção de
rejeição no contexto de predição de partidas de futebol. O objetivo
principal deste trabalho é quantificar a incerteza de predições de modelos
de AM e, assim, abster-se das predições consideradas mais incertas.
Especificamente, propomos a utilização de modelos chamados assessores,
modelos de AM que predizem o desempenho de um modelo base em tarefas
específicas, para analisar as predições de um classificador de resultados
de partidas e selecionar aquelas com maior confiabilidade, descartando as
demais. Buscamos otimizar a relação entre acurácia das predições aceitas e
a taxa de rejeição, de forma a maximizar a confiabilidade no uso do modelo
de AM para predição das partidas. Realizamos experimentos com dados reais
de partidas, identificando os campeonatos, equipes e rodadas em que o
modelo proposto apresenta melhor desempenho. Essa abordagem inovadora
contribui para o aprimoramento das previsões de resultados de futebol,
utilizando técnicas avançadas de AM em conjunto com a seleção de predições
de alta qualidade.