Previsão de Pontuação de

Jogadores no CartolaFC
Felipe da Silva Pereira
Luiz Fernando Trinca
Motivação
• Cartola FC
Fantasy Game que tem como objetivo fazer a escalação de um time de futebol virtual,
no qual o jogador recebe pontos de acordo com o desempenho do atleta, esse mesmo
atleta pode sofrer uma variação de preço para mais ou para menos de acordo com a sua
pontuação na partida.

• Ao realizar a escalação, há uma forte tendência por preferências, seja ela por um
jogador ou por time, inclusive pessoas experientes possuem esse pensamento
enviesado.
Objetivos
• Nosso projeto visa fornecer uma boa opção com base no histórico de cada atleta
para consulta que fornece resultados objetivos, sem influências pessoais.
• Previsão de pontos
• O principal objetivo do projeto é utilizar técnicas de Machine Learning para realizar a
previsão de pontos dos jogadores do cartola, e com isso, indicar candidatos que tem
mais chances de obter uma boa pontuação.

• Machine Learning
• Com o auxilio de ferramentas, construir uma rede neural multicamada e treiná-la com
os dados dos jogos anteriores com intuito de prever a pontuação dos jogadores.
Trabalhos Relacionados
• Existem alguns estudos relacionados ao tema de previsão para times. Dentre eles
podemos citar:
• PREVISÃO DE PARTIDAS DE FUTEBOL USANDO MODELOS DINÂMICOS
desenvolvidos por Oswaldo Gomes de Souza Junior e Dani Gamerman.
• O APRENDIZADO DE MAQUINA APLICADO A PREVISAO DE DESEMPENHO DE
JOGADORES DE FUTEBOL desenvolvido por Adriano Kamimura Suzuki e Leandro
Tavares.
• Ambos, os estudos possuem o foco na previsão de resultados com base em
dados históricos de partidas de futebol utilizando abordagens diferentes.
Dataset utilizado
• Para o nosso estudo, temos os dados históricos do campeonato brasileiro de
futebol dos anos de 2014 até 2017.
• Dentre os diversos data set’s, iremos utilizar os dados do data set “Scouts”, onde
temos as principais informações para todos os jogos e jogadores.
Dataset utilizado
• Visualização dos dados
Tratamento e preparação dos dados
• Remoção de colunas não utilizadas.
• Adição de novas colunas, por exemplo: mando, ganhou_partida_anterior.
• Adequação de colunas entre dataset’s, por exemplo: Os anos 2015 e 2017 não
possuem o campo 'participou', porém é possível saber a partir da coluna 'jogos'.
• Criação de um metadados para otimizar operações de busca.
• Não foi utilizado normalização por não oferecer nenhuma melhora significativa.
• Agrupamento de dados das ultimas n rodadas.
Técnicas de Aprendizado de Máquinas
• Redes Neurais Long Short Term Memory (LSTM), utilizamos esse modelo por ele
possuir conexões de feedback, ou seja, ela processa não apenas um dado único,
mas uma sequência de dados.
Resultados Obtidos
• Mean Square Error (MSE)
Resultados Obtidos
• Treino – Dados Desordenados
Resultados Obtidos
• Treino – Dados Ordenados
Resultados Obtidos
• Treino – Dados Ordenados
Resultados Obtidos
• Jogadores Previstos
Conclusão
• O objetivo deste trabalho foi criar um modelo de regressão capaz de prever a
pontuação dos jogadores na rodada seguinte considerando o seu desempenho
nas rodadas anteriores.
• A partir dos resultados obtidos, observamos que a rede neural não foi capaz de
acertar a pontuação dos jogadores devido à inconsistência da pontuação dos
jogadores, portanto concluímos que apenas a utilização de rede neural
recorrente em uma topologia de rede neural não é o suficiente para prever a
pontuação dos jogadores no Cartola.
• Apesar disso, observamos que os jogadores que a rede neural classificou com
maior pontuação, na média são melhores que a maioria dos jogadores, portanto
é possível fazer a indicação de jogadores que possuem uma tendência a fazer
mais pontos.
Conclusão
• Durante a análise exploratória, foi observado que o desempenho dos jogadores
tem muita variação, e nosso trabalho demonstra na pratica o mesmo
comportamento através dos gráficos de treino e previsão.
• No desenvolvimento de trabalhos futuros, pode ser criadas redes neurais
especificas para cada posição, além disso, pode-se adicionar ao algoritmo
restrições econômicas presentes no jogo, que poderiam limitar o escopo do
modelo, ao restringir os jogadores que poderiam ser escalados a cada rodada.