决策树+随机森林模型实现足球大小球让球预测软件

---

前言

之前搞足球数据分析的时候，会通过一些预设条件去筛选比赛，比如当前比分是0-0，射门数>10并且射正数>2，盘口为1，那么筛选出来就是大球，反之则是小球，这种逻辑条件就是跟决策树差不多的算法模式，所以尝试用CART算法（决策树的一种算法），看一下这种去分析大小球胜率都能达到多少，再结合随机森林算法，胜率又能达到多少？这篇文章大概讲叙了决策树的算法实现过程。

---

一、决策树是什么？

决策树是一种树形模型，也是一种十分常用的分类和回归方法。决策树算法是一种监督学习算法，英文是Decision tree。

决策树思想的来源非常朴素，程序设计中的条件分支结构就是 if-else 结构，最早的决策树就是利用这类结构分割数据的一种分类学习方法。

• 是一种树形结构，本质是一颗由多个判断节点组成的树
• 其中每个内部节点表示一个属性上的判断，
• 每个分支代表一个判断结果的输出，
• 最后每个叶节点代表一种分类结果。

用最简单的话来说，就是根据你自己的条件，告诉模型正确的结果，比如射门数>10，是大球，反之就是小球，当然不可能这么简单，这里还包含很多特征数据，以及特征的增熵。

二、数据收集与整理

1.数据收集

这里引用第三方网站的数据

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
import warnings
warnings.filterwarnings('ignore')
import  ssl
ssl._create_default_https_context = ssl._create_unverified_context

2.数据清洗

代码如下（示例）：

data = pd.read_csv('https://labfile.oss.aliyuncs.com/courses/1283/adult.data.csv')
print(data.head())

3.特征选择

我们选择以下特征来构建决策树：

• 主队进球数
• 客队进球数
• 比赛时间（简单划分为早期、中期、后期）
• 射门次数
• 射正次数

但由于简化示例的限制，我们将只使用“主队进球数 +
客队进球数”这一复合特征，并假设阈值设为2.5球（即总进球数大于等于3为大球，否则为小球）。

三、决策树构建

3.1绘制训练数据图像

import numpy as np
import matplotlib.pyplot as pltfrom sklearn import datasetsiris = datasets.load_iris()
X = iris.data[:,2:]
y = iris.targetplt.scatter(X[y==0,0],X[y==0,1])
plt.scatter(X[y==1,0],X[y==1,1])
plt.scatter(X[y==2,0],X[y==2,1])plt.show()

绿色为大球、橙色为走水、蓝色为小球

3.2 训练决策树模型

from sklearn.tree import DecisionTreeClassifiertree = DecisionTreeClassifier(max_depth=2,criterion="entropy")
tree.fit(X,y)

3.3 依据模型绘制决策树的决策边界

#找到模型的决策边界，并绘制图像(此方法所用到的api不需要掌握，能够调用就行)
def plot_decision_boundary(model,axis):x0,x1 = np.meshgrid(np.linspace(axis[0],axis[1],int((axis[1]-axis[0])*100)).reshape(-1,1),np.linspace(axis[2],axis[3],int((axis[3]-axis[2])*100)).reshape(-1,1))X_new = np.c_[x0.ravel(),x1.ravel()]y_predict = model.predict(X_new)zz = y_predict.reshape(x0.shape)from matplotlib.colors import ListedColormapcustom_map = ListedColormap(["#EF9A9A","#FFF59D","#90CAF9"])plt.contourf(x0,x1,zz,linewidth=5,cmap=custom_map)plot_decision_boundary(tree,axis=[0.5,7.5,0,3])
plt.scatter(X[y==0,0],X[y==0,1])
plt.scatter(X[y==1,0],X[y==1,1])
plt.scatter(X[y==2,0],X[y==2,1])
plt.show()

3.4 树模型可视化

from sklearn.tree import plot_tree
import matplotlib.pyplot as pltplot_tree(tree,filled=True)
plt.show()

从上面的可视化图形中看出

• X[1] <=0.8 作为第一次分割的依据，满足条件的所有样本均为统一类别
• X[1]>0.8的，依据 X[1]<=0.75 为划分依据
• 由于设置了树的最大深度为2，第二层的两个叶子节点没有完全区分开

决策树算法：

·是非参数学习算法
·可以解决分类（多分类）问题
·可以解决回归问题：
·落在叶子节点的数据的平均值作为回归的结果

四、模型预测

将实时采集的滚球数据喂到大模型中

# 用LabelEncoder转换器就能把字符串类型的球队名转化为整型
from sklearn.preprocessing import LabelEncoder
encoding = LabelEncoder()
home_team = encoding.fit_transform(dataset["Home Team"].values)
visitor_team = encoding.fit_transform(dataset["Visitor Team"].values)
# 抽取所有比赛的主客场球队的球队名（已转化为数值型）并将其组合（在NumPy中叫作“stacking”，是向量组合的意思）起来，形成一个矩阵
x_team = np.vstack([home_team, visitor_team]).T# 使用OneHotEncoder转换器把这些整数转换为二进制数字
from sklearn.preprocessing import OneHotEncoder
onehot = OneHotEncoder()
x_teams_expanded = onehot.fit_transform(x_team).todense()clf = DecisionTreeClassifier(random_state=14)
scores = cross_val_score(clf, x_teams_expanded, y_true, scoring='accuracy')
print("The accuracy of 'x_teams_expanded' is {0:1f}%".format(np.mean(scores) * 100))

结果如下，大概60%的胜率，说明效果还行。后续用随机森林优化算法

五、随机森林模型

过程太长，这里直接上部门代码

# 使用GridSearchCV搜索最佳参数
parameter_space = {'max_features': [2, 10, 'auto'],'n_estimators': [10, ],'criterion': ['gini', 'entropy'],'min_samples_leaf':[2, 4, 6],
}
grid = GridSearchCV(clf, parameter_space)
grid.fit(x_specific_team, y_true)
print("The accuracy of specific_team after GridSearchCV is {0:.1f}%".format(grid.best_score_ * 100))
grid.fit(x_all, y_true)
print("The accuracy of x_all after GridSearchCV is {0:.1f}%".format(grid.best_score_ * 100))

---

可以看到，增加了随机森林算法之后，胜率又提高了一点

总结

这里只是简单的写了大概的方法，具体实现还是很复杂的，包括特征数据的选取，以及各种模型算法的调优。还要按照联赛去区分训练数据，因为你不同的联赛数据是不可比的，小联赛进球数可能达到10个以上，但是大联赛，进球数可能才几个，所以我们是根据分了联赛数据和公共数据的训练集，目前这两种算法结合的话，目前跑过最高的联赛应该是可以去到80%左右，效果还可以。当然有些联赛暂时可能也只能去到65%。

最后：推荐一个关于用大模型构建的足球数据分析学习软件

1、AiAutoPrediction-基于泊松大模型足球数据分析软件

2、SoccerPredictor-基于决策树大模型足球数据分析软件