본 연구는 빅데이터 분석 기법을 적용하여 축구 감독의 전술 및 포메이션 패턴분석을 진행하였다. 데이터 분석을 위해 공신력 높은 축구 웹사이트인 후스코어드로부터 다양한 축구 선수 기록 데이터를 수집하였다. 각 포지션에 따라 중요한 변수를 선택하기 위해 특징 엔지어링 알고리즘 중 하나인 보루타 알고리즘을 적용하여 변수를 선택하였다. 선택된 변수를 활용하여 ...
본 연구는 빅데이터 분석 기법을 적용하여 축구 감독의 전술 및 포메이션 패턴분석을 진행하였다. 데이터 분석을 위해 공신력 높은 축구 웹사이트인 후스코어드로부터 다양한 축구 선수 기록 데이터를 수집하였다. 각 포지션에 따라 중요한 변수를 선택하기 위해 특징 엔지어링 알고리즘 중 하나인 보루타 알고리즘을 적용하여 변수를 선택하였다. 선택된 변수를 활용하여 K-평균 군집 분석을 실시하였고, 그 결과 홀딩 미드필더와 딥라잉 플레이메이커와 같이 각 포지션의 세분화 된 역할에 대하여 정의할 수 있었다. 상대 수준별 감독의 전술 및 포메이션 패턴이 다름을 파악하고자, CL(Champions League Level), EL(Europa League Level), ML(Middle Level), RL(Relegation Level)로 클럽의 수준을 나누어 분석하였다. 또한, 선수 간의 시너지를 고려하기 위해 평점데이터를 가중치로 활용하여 가중 연관 분석을 실시하여 상대 수준별 전술 패 턴 및 포메이션에 대해 파악했다. 이는 감독이 실제로 상대의 수준을 고려하여 포메이션과 전술을 수립한다는 의미이다.
본 연구는 빅데이터 분석 기법을 적용하여 축구 감독의 전술 및 포메이션 패턴분석을 진행하였다. 데이터 분석을 위해 공신력 높은 축구 웹사이트인 후스코어드로부터 다양한 축구 선수 기록 데이터를 수집하였다. 각 포지션에 따라 중요한 변수를 선택하기 위해 특징 엔지어링 알고리즘 중 하나인 보루타 알고리즘을 적용하여 변수를 선택하였다. 선택된 변수를 활용하여 K-평균 군집 분석을 실시하였고, 그 결과 홀딩 미드필더와 딥라잉 플레이메이커와 같이 각 포지션의 세분화 된 역할에 대하여 정의할 수 있었다. 상대 수준별 감독의 전술 및 포메이션 패턴이 다름을 파악하고자, CL(Champions League Level), EL(Europa League Level), ML(Middle Level), RL(Relegation Level)로 클럽의 수준을 나누어 분석하였다. 또한, 선수 간의 시너지를 고려하기 위해 평점데이터를 가중치로 활용하여 가중 연관 분석을 실시하여 상대 수준별 전술 패 턴 및 포메이션에 대해 파악했다. 이는 감독이 실제로 상대의 수준을 고려하여 포메이션과 전술을 수립한다는 의미이다.
This study applied big data analysis techniques to conduct analysis of the football manager’s tactics and formation pattern. by collecting and analyzing data from Whoscored, the largest detailed football statistics website. For each position, the variable was selected by applying Boruta algorith...
This study applied big data analysis techniques to conduct analysis of the football manager’s tactics and formation pattern. by collecting and analyzing data from Whoscored, the largest detailed football statistics website. For each position, the variable was selected by applying Boruta algorithm, one of the feature engineering algorithms, to select the important variables. K-means clustering was performed using the important variables, which allowed the definition of the detailed role of each position, such as holding midfielder and deep-lying playmaker. The analysis was conducted by dividing the CL(Champions League Level), EL(Europa League Level), ML(Middle Level) and RL(Relegation Level) in order to identify the differences in the tactics and formation patterns of the managers by the level of opponent. Also, in order to include synergy between players, Weighted association rule mining was performed using the rating data as the weight to detect the strategy for each club. This means that the manager actually establishes formations and tactics based on the level of the opponent.
This study applied big data analysis techniques to conduct analysis of the football manager’s tactics and formation pattern. by collecting and analyzing data from Whoscored, the largest detailed football statistics website. For each position, the variable was selected by applying Boruta algorithm, one of the feature engineering algorithms, to select the important variables. K-means clustering was performed using the important variables, which allowed the definition of the detailed role of each position, such as holding midfielder and deep-lying playmaker. The analysis was conducted by dividing the CL(Champions League Level), EL(Europa League Level), ML(Middle Level) and RL(Relegation Level) in order to identify the differences in the tactics and formation patterns of the managers by the level of opponent. Also, in order to include synergy between players, Weighted association rule mining was performed using the rating data as the weight to detect the strategy for each club. This means that the manager actually establishes formations and tactics based on the level of the opponent.
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.