摘要：看到kaggle、medium上有不少人用球队的历史数据来进行建模预测，比如用到泊松分布、决策树、逻辑回归等算法，很大程度上能反映强者恒强的现象，比如巴西、英格兰等大概率能进8强，就像高考模拟考试成绩越好，大概率高考也会考得好。这个和人脑的...
看到kaggle、medium上有不少人用球队的历史数据来进行建模预测，比如用到泊松分布、决策树、逻辑回归等算法，很大程度上能反映强者恒强的现象，比如巴西、英格兰等大概率能进8强，就像高考模拟考试成绩越好，大概率高考也会考得好。
这个和人脑的预测是类似的，建立在你看了足够多的球赛，对每一个国家队、球员、教练、打法等都了如指掌，你才能有充分的判断依据。而且你还不能带有主观的倾向，意大利球迷肯定笃定意大利能夺冠，但他们在预选赛就被淘汰了。
但是阿根廷输沙特、德国输日本这样的黑天鹅事件，不管是AI还是人脑都是没法预测的，否则真成预言者了。买阿根廷、德国赢的人其实是选择了大概率事件，但并没有发生，他们的决策其实是对的。
因为世界杯比赛有很多变动因素，比如裁判规则、球员伤退、排兵布阵，甚至当地环境、食宿也都会有影响，所以在进行AI预测的时候，需要有很多维度的数据进行综合分析，单单从球队的历史成绩来判断，肯定是对准确率会有影响。
这其实是有贝叶斯定理的逻辑在里面，大胆假设，小心求证。
说了一大堆，还没讲如何用AI来预测。我前几天在kaggle看到过一个博主用了GBM梯度提升算法，它通过求损失函数在梯度方向下降的方法，层层改进。
大概描述下步骤：
1、数据准备。
该项目用了【FIFA 1992-2022世界排名】、【1872-2022国家队比赛结果】两个数据集。通过数据预处理对两个数据源进行连接
2、特征工程。
列出对预测比赛结果有影响的特征字段，共37个。特征选取主要根据历史经验、直觉判断，比如过去的比赛积分、过去的进球和损失、比赛的重要性、球队排名、团队排名提升等等。
接着要对各个特征进行相关性检测，判断对预测是否有帮助，如果没有帮助的特征则直接剔除。最后留下11个最重要的特征，用来建模分析。
3、建立模型。
数据处理了，接下来是通过机器学习模型对数据进行训练，然后得出预测结果。
这里用了梯度提升和决策树两个算法，最终选recall最高的，博主测试后选择了梯度提升算法。
算法具体使用操作方法如下：
4、预测世界杯比赛。
搭建好模型，就可以把世界比赛的对阵数据放到模型里进行预测。最终算出来小组赛、十六强赛、八强赛、四强赛、总决赛的得分情况。
从目前看，预测结果其实还是复制历史经验，小组出线情况基本和世界排名情况一致，没有超乎人的经验范围。对于黑马、黑天鹅并没有什么预测能力。
其他预测结果就不一一展示了，哦，最后好像预测是巴西夺冠概率较大。
总之，AI预测世界杯其实是对历史数据的归纳总结，而且完全依赖数据的喂养，能给出相对概率。
这和人的直觉一样，你觉得巴西会夺冠，肯定有一些过往的事实验证了你的直觉，不然就是瞎猜了。
