哈喽，大家好。
今天看到Kaggle上有一个预测世界杯比赛结果的项目，截至目前 4 场比赛预测结果全中。
今天把源码研究了一下，做了中文注释，给大家分享下。
技术提升
本文由技术群粉丝分享，项目源码、数据、技术交流提升，均可加交流群获取，群友已超过2000人，添加时最好的备注方式为：来源+兴趣方向，方便找到志同道合的朋友
方式①、添加微信号：dkl88191，备注：来自CSDN +研究方向
方式②、微信搜索公众号：Python学习与数据挖掘，后台回复：加群
1. 获取数据集
数据集使用 1872-2022年国际足球比赛数据和FIFA 1992-2022年球队排名数据。
比赛数据
排名数据
虽然有数据集很大，但作者只用了 2018-2022年的数据作为训练数据。
df = pd.read_csv("./kaggle/input/international-football-results-from-1872-to-2017/results.csv")
df = df[(df["date"] >= "2018-8-1")].reset_index(drop=True)
2. 特征工程
选取的特征要能够较好地反映预测结果，如：
-
世界杯球队的平均进球数
-
球队最近5场比赛的平均进球数
-
世界杯球队的平均犯规数
-
球队最近5场比赛的平均犯规数
-
球队在世界杯中 FIFA 平均排名
-
球队在最近5场比赛中 FIFA 平均排名
-
FIFA积分
-
最近5场FIFA积分
-
比赛得分
-
最近5场比赛积分
-
Mean game points by rank faced at the Cycle.
-
Mean game points by rank faced at last 5 games.
通过观察这些特征的小提琴图，筛选对预测结果又很强区分的特征。
对于值比较小的特征，可以尝试用箱型图观察。
最终生成的特征为：
最终特征如下：
-
rank_dif
-
goals_dif
-
goals_dif_l5
-
goals_suf_dif
-
goals_suf_dif_l5
-
dif_rank_agst
-
dif_rank_agst_l5
-
goals_per_ranking_dif
-
dif_points_rank
-
dif_points_rank_l5
-
is_friendly
3. 建模
作者选择了随机森林和GradientBoosting模型进行训练，并对比他们的 AUC。
GradientBoosting
随机森林
最终选取GradientBoosting作为预测模型。
4. 预测
预测需要获取 2022 世界杯比赛数据。
作者通过爬取维基百科解析出比赛数据，考虑到国内很多朋友无法访问维基百科。源代码中我已经将比赛数据放在本地文件中。
kaggle地址：https://www.kaggle.com/code/sslp23/predicting-fifa-2022-world-cup-with-ml/notebook