Fodbold ML – Eksamensanalyse
Fodbold ML – Eksamensanalyse
Et maskinlærings-eksamensprojekt der analyserer fodboldkampes udfald baseret på vejr, hjemmebane-fordel, disciplin og standardsituationer. Resultaterne præsenteres i et interaktivt Streamlit-dashboard — tilgængeligt live på nettet.
Projektet anvender både superviserede og ikke-superviserede teknikker og besvarer tre centrale spørgsmål: hvilke faktorer påvirker kampresultater mest, hvordan forudsiger offensive nøgletal holdsucces, og kan ML identificere taktiske profiler og spillestile?
Modeller
- Logistisk regression til prediktion af kampudfald og “dirty game”-klassificering
- Random Forest til feature importance i kampsucces
- K-Means clustering til gruppering af hold efter taktisk profil
- PCA til dimensionsreduktion og visualisering
Teknologier: Python · Streamlit · Pandas · NumPy · Scikit-learn · SciPy · Statsmodels · Matplotlib · Seaborn