Modelos assessores como opção de rejeição para predição de resultados de partidas de futebol

Abstract

O futebol é um esporte amplamente popular, tanto no Brasil quanto em todo o mundo, com uma indústria bilionária ao seu redor. A utilização de dados e algoritmos de Aprendizagem de Máquina (AM) tem sido explorada como uma ferramenta para prever resultados nesse esporte. No entanto, a alta incerteza do futebol torna desafiador obter previsões precisas e confiáveis. Nesta dissertação, investigamos técnicas de AM com opção de rejeição no contexto de predição de resultados de partidas de futebol. O objetivo principal deste trabalho é quantificar a incerteza de predições de modelos de AM e, assim, abster-se das predições consideradas mais incertas. Especificamente, propomos a utilização de modelos chamados assessores, modelos de AM que predizem o desempenho de um modelo base em tarefas específicas, para analisar as predições de um classificador de resultados de partidas e selecionar aquelas com maior confiabilidade, descartando as demais. Buscamos otimizar a relação entre acurácia das predições aceitas e a taxa de rejeição, de forma a maximizar a confiabilidade no uso do modelo de AM para predição das partidas. Realizamos experimentos com dados reais de partidas, identificando os campeonatos, equipes e rodadas em que o modelo proposto apresenta melhor desempenho. Essa abordagem inovadora contribui para o aprimoramento das previsões de resultados de futebol, utilizando técnicas avançadas de AM em conjunto com a seleção de predições de alta qualidade.