มุมมองของอัลกอริทึมในลีกสองของบราซิล

python import matplotlib.pyplot as plt games = [‘CRB vs Avaí’, ‘Botafogo-SP vs Chapecoense’, ‘América-MG vs Criciúma’] xG = [1.7, 1.2, 1.9] # Expected goals actual = [1, 1, 1] plt.bar(games, xG, color=‘#009B3A’) plt.bar(games, actual, color=‘#FFCC00’) plt.title(‘Brazil Serie B: xG vs Actual Goals (Matchday 12)’)

สถิติสำคัญนัดที่ 12:

• 40% ของแมตช์จบลงด้วยการเสมอ (⁸⁄₂₀)
• ค่าเฉลี่ยประตูต่อเกม: 1.85 (ต่ำกว่าค่าเฉลี่ยลีกเล็กน้อย)
• สายป่านไม่แพ้งยาวที่สุด: CRB (5 นัดติดต่อกัน)

บทเรียน战术จากแมตช์สำคัญ

ชัยชนะ 2-0 ของ Goiás เหนือ Minas Gerais เป็นที่น่าสนใจทางสถิติ การวิเคราะห์เครือข่ายการส่งบอลแสดงให้เห็น:

1. ความโดดเด่นของกองกลาง (ครองบอล 62% ในแดนรุก)
2. แนวรับสูงขึ้น 4.3 เมตรจากค่าเฉลี่ยฤดูกาล
3. การกดดันได้ผลสำเร็จ: 78% ในแดนคู่แข่ง

แต่ที่ Opta พวกเขาพูดว่า ‘ตารางคะแนนไม่เคยโกหก’ แพ้ 0-1 ของ Atlético Paranaense จาก Coritiba ทั้งที่มี xG สูงกว่า (2.1 vs 0.7) เป็นตัวอย่างว่าทำไมเราต้องสร้างแบบจำลอง machine learning ด้วยข้อมูล 5 ฤดูกาล

ทำนายผลสำหรับนัดที่ 13

อัลกอริทึม random forest ของเราบอกว่า:

• โอกาส 68% ที่ Vitória จะรักษาตำแหน่งผู้นำ
• โอกาส 42% ที่ Ponte Preta จะเข้าสู่ Top 4
• แมตช์คาดเดายากที่สุด: Londrina vs Brusque (ทีมเหย้าน่าชนะ 52%)

ขณะที่ฉันจิบ Earl Grey ในลอนดอน สิ่งหนึ่งที่แน่นอนคือลีกสองของบราซิลยังคงท้าทายแบบจำลองทางสถิติด้วยความอลวนอันสวยงามของมัน