哈喽，大家好。

今天看到Kaggle上有一个预测世界杯比赛结果的项目，截至目前 4 场比赛预测结果全中。

今天把源码研究了一下，做了中文注释，给大家分享下。

文章目录

• • 技术提升
  • 1. 获取数据集
  • 2. 特征工程
  • 3. 建模
  • 4. 预测

技术提升

本文由技术群粉丝分享，项目源码、数据、技术交流提升，均可加交流群获取，群友已超过2000人，添加时最好的备注方式为：来源+兴趣方向，方便找到志同道合的朋友

方式①、添加微信号：dkl88191，备注：来自CSDN +研究方向
方式②、微信搜索公众号：Python学习与数据挖掘，后台回复：加群

1. 获取数据集

数据集使用 1872-2022年国际足球比赛数据和FIFA 1992-2022年球队排名数据。

比赛数据

排名数据

虽然有数据集很大，但作者只用了 2018-2022年的数据作为训练数据。

df =  pd.read_csv("./kaggle/input/international-football-results-from-1872-to-2017/results.csv")df = df[(df["date"] >= "2018-8-1")].reset_index(drop=True)

2. 特征工程

选取的特征要能够较好地反映预测结果，如：

• 世界杯球队的平均进球数

• 球队最近5场比赛的平均进球数

• 世界杯球队的平均犯规数

• 球队最近5场比赛的平均犯规数

• 球队在世界杯中 FIFA 平均排名

• 球队在最近5场比赛中 FIFA 平均排名

• FIFA积分

• 最近5场FIFA积分

• 比赛得分

• 最近5场比赛积分

• Mean game points by rank faced at the Cycle.

• Mean game points by rank faced at last 5 games.

通过观察这些特征的小提琴图，筛选对预测结果又很强区分的特征。

对于值比较小的特征，可以尝试用箱型图观察。

最终生成的特征为：

最终特征如下：

• rank_dif

• goals_dif

• goals_dif_l5

• goals_suf_dif

• goals_suf_dif_l5

• dif_rank_agst

• dif_rank_agst_l5

• goals_per_ranking_dif

• dif_points_rank

• dif_points_rank_l5

• is_friendly

3. 建模

作者选择了随机森林和GradientBoosting模型进行训练，并对比他们的 AUC。

GradientBoosting

随机森林

最终选取GradientBoosting作为预测模型。

4. 预测

预测需要获取 2022 世界杯比赛数据。

作者通过爬取维基百科解析出比赛数据，考虑到国内很多朋友无法访问维基百科。源代码中我已经将比赛数据放在本地文件中。

kaggle地址：https://www.kaggle.com/code/sslp23/predicting-fifa-2022-world-cup-with-ml/notebook