Yapay Zeka Hızlı Bakış & Çıkarımlar
AI InsightBu çalışmada, futbol maç sonucu tahmin problemi İngiltere Premier Ligi (EPL) verileri üzerinde yeniden yapılandırılmakta ve iki aşamalı bir ikili sınıflandırma mimarisi önerilmektedir.
📌 3 Maddede Bu Makale
Özet
Futbol maç sonucu tahmini, oyunun düşük skorlu yapısı, yüksek rastlantısallık içermesi ve sınıf dağılımlarının dengesiz olması nedeniyle spor analitiği alanındaki en zor problemlerden biri olarak kabul edilmektedir. Literatürde bu problem çoğunlukla ev sahibi galibiyeti, beraberlik ve deplasman galibiyeti olmak üzere üç sınıflı bir sınıflandırma problemi olarak ele alınmaktadır. Ancak bu yaklaşım, özellikle beraberlik sınıfının düşük ayırt edilebilirliği ve sınıf dengesizliği nedeniyle model performansını ve karar güvenilirliğini sınırlamaktadır. Bu çalışmada, futbol maç sonucu tahmin problemi İngiltere Premier Ligi (EPL) verileri üzerinde yeniden yapılandırılmakta ve iki aşamalı bir ikili sınıflandırma mimarisi önerilmektedir. Önerilen yaklaşımda ilk aşamada bir karşılaşmanın berabere sonuçlanıp sonuçlanmayacağı tahmin edilmekte, ikinci aşamada ise ev sahibi veya deplasman galibiyeti belirlenmektedir. Bu yapı, beraberliği bağımsız bir karar problemi olarak ele alarak sınıf dengesizliğini yapısal olarak azaltmaktadır. Çalışmada, 2012–2025 sezonları arasında oynanan İngiltere Premier Ligi maçlarına ait, yalnızca maç öncesinde erişilebilir veriler kullanılmıştır. Zaman temelli veri bölme stratejisi ile kayan pencere tabanlı ve göreli (delta) özellikler kullanılmıştır. Logistic Regression, Support Vector Machine, Naive Bayes, Decision Tree ve LightGBM algoritmaları değerlendirilmiştir. Deneysel sonuçlar, önerilen yaklaşımın özellikle F1 skoru ve ROC–AUC metrikleri açısından daha kararlı ve yorumlanabilir sonuçlar ürettiğini göstermektedir. Bulgular, futbol maç sonucu tahmininde başarının algoritmadan ziyade problem tanımı ve modelleme stratejisinin uygunluğuna bağlı olduğunu ortaya koymaktadır.
Abstract
Football match outcome prediction is widely regarded as a challenging problem in sports analytics due to the low-scoring nature of the game, high inherent randomness, and imbalanced class distributions. In the existing literature, match outcomes are typically modeled as a three-class classification problem consisting of home win, draw, and away win. However, this formulation often suffers from poor discriminability of the draw class and reduced decision reliability caused by structural class imbalance. In this study, the football match outcome prediction problem is reformulated using data from the English Premier League (EPL), and a two-stage binary classification framework is proposed. In the first stage, matches are classified as draw or non-draw. In the second stage, matches predicted as non-draw are classified as home or away wins. This decomposition structurally mitigates class imbalance by treating draws as an independent decision problem. The experimental analysis is conducted using EPL match data from the 2012–2025 seasons, considering only information available prior to match kickoff. Time-aware data splitting and feature engineering based on rolling-window performance indicators and relative (delta-based) team features are applied. Logistic Regression, Support Vector Machine, Naive Bayes, Decision Tree, and LightGBM are evaluated. The results demonstrate that the proposed approach yields more stable and interpretable performance, particularly in terms of F1-score and ROC–AUC metrics. The findings highlight that, in football match outcome prediction, the definition and structuring of the problem play a more decisive role than the choice of algorithms.