Machine learning :
valeur marchande
d’un joueur
Réalisé par :
- Charmat Chemseddine
- Touari Mouhamed Abdel Ghafour
Table de matiere
01 Utilisation Machine Learning pour l’estimation de la valeur
marchande d’un joueur de football
02 Exploration de l'Application du Machine Learning dans ce Domaine,
et Présentation des Bibliothèques Utilisées pour sa Mise en Œuvre.
03 Présentation du Code du Modèle d'Apprentissage Automatique
(ML) : Une Vue d'Ensemble de l'Implémentation
01 : Utilisation Machine Learning pour
l’estimation de la valeur marchande d’un joueur
de football
Estimer la valeur marchande des joueurs de football à l'aide
du machine learning offre de nombreux avantages à plusieurs
acteurs de l'industrie du football :
- Evaluation du joueur
- Efficacité du marché des transferts
- Évaluation des risques
Objectif du projet
Développer un modèle de machine learning
permettant de fournir des prédictions sur la
valeur marchande d'un joueur de football afin
d'améliorer l'efficacité et d'évaluer le retour
sur investissement des clubs de football.
L'application de modèles de
régression a démontré leur efficacité
dans l'estimation de la valeur
marchande des joueurs de football.
02 : Exploration de l'Application du Machine Learning
dans ce Domaine, et Présentation des Bibliothèques
Utilisées pour sa Mise en Œuvre.
un échantillon
Dataset utiliser
bibliothèque utilisé
Model utilisé : 1- Régression linéaire
• La régression linéaire est une méthode statistique qui modélise la
relation entre une variable dépendante continue et une ou plusieurs
variables indépendantes.
• Elle assume une relation linéaire entre les variables, où un
changement unitaire dans une variable indépendante entraîne un
changement proportionnel dans la variable dépendante.
• L'objectif est de trouver la meilleure ligne droite (ou hyperplan dans le
cas de plusieurs variables) qui minimise la distance entre les points de
données et la ligne prédite.
• La formule générale d'un modèle de régression linéaire simple est : y =
ax + b, où y est la variable dépendante, x est la variable indépendante,
m est le coefficient de pente et b est l'ordonnée à l'origine
Modelé utilise : 2- Random Forest
• La régression de forêt aléatoire est une technique d'apprentissage
automatique qui combine les concepts de régression et d'ensemble
d'arbres de décision.
• Elle fonctionne en construisant plusieurs arbres de décision lors de
l'entraînement et en prenant la moyenne de leurs prédictions pour obtenir
une prédiction plus robuste et précise.
• Chaque arbre de décision est formé sur un échantillon aléatoire des
données d'entraînement et utilise un sous-ensemble aléatoire des
variables.
• En combinant les prédictions de multiples arbres, la régression de forêt
aléatoire réduit le surajustement et fournit généralement de meilleures
performances prédictives que la régression linéaire dans de nombreux cas.
• Elle est souvent utilisée pour la prédiction dans des ensembles de données
complexes avec des relations non linéaires entre les variables.
03 : Présentation du Code du Modèle d'Apprentissage
Automatique (ML) : Une Vue d'Ensemble de
l'Implémentation
Merci !