用演算法透視巴西乙級聯賽

python import matplotlib.pyplot as plt games = [‘CRB vs 阿瓦伊’, ‘博塔弗戈-SP vs 查佩科恩斯’, ‘美洲-MG vs 克里西烏馬’] xG = [1.7, 1.2, 1.9] # 預期進球 actual = [1, 1, 1] plt.bar(games, xG, color=‘#009B3A’) plt.bar(games, actual, color=‘#FFCC00’) plt.title(‘巴西乙級聯賽第12輪：預期進球 vs 實際進球’)

第12輪關鍵數據:

• 40%比賽以平局收場（8/20）
• 平均每場進球：1.85（略低於賽季平均）
• 最長不敗紀錄：CRB（目前5場不敗）

重點賽事戰術分析

戈亞斯對陣米內羅競技的2-0勝利在數據上尤為突出。我們的傳球網絡分析顯示：

1. 中場控制力優勢（進攻三區62%控球率）
2. 防線比賽季平均前移4.3米
3. 成功壓迫奪回球權：78%在對方半場

但正如我在Opta的同事所說——『積分榜從不說謊』。巴拉納競技雖然xG優於對手（2.1比0.7），卻以0-1敗給科里蒂巴，這正是我們需要五年數據窗口建立機器學習模型的原因。

下一步？第13輪預測模型

我們的隨機森林算法顯示：

• 維多利亞維持榜首機率68%
• 龐特普雷塔闖入前四機率42%
• 最難預測對決：隆德里納vs布魯斯基（主隊勝率52%）

當我在倫敦喝著伯爵茶觀看這些比賽時，有一點很確定：巴西乙級聯賽總能用它美麗的混亂，挑戰著簡單的統計模型。