Yapay Zeka Hızlı Bakış & Çıkarımlar
AI InsightBu çalışmada, kümülatif performans makro düzeyde bir tahmin problemi olarak ele alınarak Türkiye Trendyol Süper Lig’de sezon sonu puanlarını ve nihai lig sıralamasını tahmin etmeye yönelik Otomatik Makine Öğrenmesi (AutoML) tabanlı bir çerçeve önerilmektedir.
📌 3 Maddede Bu Makale
Özet
Profesyonel futbolda sezon düzeyindeki performansın doğru tahmin edilmesi, finansal planlama ve stratejik karar alma süreçleri açısından giderek önem kazanmaktadır. Bu çalışmada, kümülatif performans makro düzeyde bir tahmin problemi olarak ele alınarak Türkiye Trendyol Süper Lig’de sezon sonu puanlarını ve nihai lig sıralamasını tahmin etmeye yönelik Otomatik Makine Öğrenmesi (AutoML) tabanlı bir çerçeve önerilmektedir. Analizde, birbirini izleyen altı sezona (2018/2019–2023/2024) ait veriler kullanılmış ve örneklem dışı doğrulama takip eden sezon üzerinden gerçekleştirilmiştir. Veri seti, takım kadro piyasa değeri gibi finansal göstergeler ile teknik performans ölçütlerini bütünleştirmektedir. Özellik mühendisliği yoluyla 17 temel değişken; verimlilik, üstünlük, disiplin etkisi ve bağlama göre düzeltilmiş performansı yansıtan 32 göstergeye genişletilmiştir. Hedef sızıntısını önlemek amacıyla toplam puanı doğrudan kodlayan değişkenler analizden çıkarılmıştır. Birinci yaklaşımda, XGBoost Ranker ile lig sıralaması doğrudan modellenmiştir. İkinci yaklaşımda ise AutoML tabanlı regresyon ile sezon sonu toplam puanları tahmin edilmiş ve lig sıralaması bu tahminlerden türetilmiştir. Performans, Spearman sıra korelasyon katsayısı ve ortalama mutlak hata kullanılarak değerlendirilmiştir. Sıralama modeli 0,91 korelasyona ulaşırken AutoML ile optimize edilen ExtraTrees Regressor bu değeri 0,95’e yükseltmiş ve yaklaşık 5–6 puanlık ortalama tahmin hatası elde etmiştir. Bulgular, verimlilik ve oyun üstünlüğü odaklı göstergelerin sezon sonu başarısında topa sahip olma ölçütlerinden daha belirleyici olduğunu göstermektedir.
Abstract
Accurate forecasting of season-level performance in professional football has gained increasing importance because of its implications for financial planning and strategic decision-making. This study proposes an Automated Machine Learning (AutoML) framework to predict end-of-season point totals and final league rankings in the Turkish Trendyol Süper Lig, conceptualizing cumulative performance as a macro-level forecasting problem. The analysis used data from six consecutive seasons (2018/2019–2023/2024), with out-of-sample validation conducted in the subsequent season. The dataset integrates financial indicators, such as squad market value, with technical performance metrics. Feature engineering expands 17 baseline variables into 32 indicators capturing efficiency, dominance, disciplinary impact, and context-adjusted performance. To mitigate target leakage, variables directly encoding total points are excluded. Two complementary modeling strategies are employed. First, a learning-to-rank approach using XGBoost Ranker directly models league standings. Second, an AutoML-based regression framework estimates the total season points, from which rankings are derived. Model performance is evaluated using Spearman’s rank correlation coefficient and mean absolute error. The ranking-based model achieves a correlation of 0.91, while the AutoML-optimized ExtraTrees Regressor improves this to 0.95, with an average prediction error of approximately 5–6 points. These findings demonstrate the effectiveness of the rank-sensitive predictive framework. Beyond predictive performance, the results indicate that efficiency and dominance-oriented performance indicators play a more decisive role in season-end success than possession-based metrics. This suggests that data-driven recruitment and squad planning strategies should prioritize players who contribute to scoring efficiency and competitive balance rather than purely volume-based attributes.