MODELOS DE MACHINE LEARNING PARA LA PREDICCIÓN DE RESULTADOS DE FUTBOL

ROJAS PEREA, ADALBERTO EMMANUEL (2026) MODELOS DE MACHINE LEARNING PARA LA PREDICCIÓN DE RESULTADOS DE FUTBOL. Maestría thesis, Universidad Autónoma de Chihuahua.

Vista Previa

Text Tesis Adalberto Emmanuel Rojas Perea.pdf Download (2073Kb) | Vista Previa

Resumen

La predicción de resultados deportivos representa un desafío debido a la naturaleza incierta y altamente variable del fútbol profesional. Esta investigación tiene como objetivo desarrollar y evaluar modelos de Machine Learning para la predicción de resultados de partidos de la Liga Inglesa de Fútbol, utilizando una metodología que preserve la integridad temporal de los datos y evite problemas de fuga de información. Para ello, se realizó la adquisición de datos mediante técnicas de web scraping, seguida de un proceso de limpieza y transformación para generar variables predictivas basadas en métricas ofensivas y defensivas mediante promedios móviles. Se implementaron cuatro algoritmos de aprendizaje automático: Regresión Logística, Random Forest, XGBoost y Support Vector Machines (SVM). La evaluación de los modelos se realizó utilizando validación basada en series temporales (Time Series Split), utilizando temporadas 2022–2024 para entrenamiento y la temporada 2025 para prueba. Los resultados muestran que el modelo de Regresión Logística optimizado obtuvo el mejor desempeño, alcanzando una exactitud del 49.60% en el conjunto de prueba, superando la probabilidad del azar y un modelo base basado únicamente en la ventaja de localía. El análisis de variables identificó que métricas defensivas como los goles esperados en contra (xGA) aportan información relevante para la predicción. Se concluye que los modelos de Machine Learning pueden identificar patrones útiles en resultados futbolísticos, aunque la predicción de empates continúa representando una limitación importante.

Actions (login required)

Ver Objeto