【捷报时间】

昨晚的比赛看的过瘾不？

有没有猜到结果？

人工智能已成功预测6月14日比赛结果：俄罗斯胜

请看今天的2场比赛预测.........

【直播时间】

今晚 20:00  ，直播的小组赛是埃及 VS 乌拉圭，他们都是各自洲的传统强队，谁将获得这场比赛，赢得三分呢？

【阵容分析】

埃及阵容分析：

埃及时隔28年重返世界杯，此次能够晋级，萨拉赫是头号功臣，在最后阶段的5场小组赛中，萨拉赫一人独进5球，可以说如果没有萨拉赫，那么埃及时隔28年重返世界杯或许依旧是空谈。但是自从在欧冠决赛的赛场上摔倒，肩膀着地受伤，萨拉赫的伤情一直吸引着各方关注。埃及国家队的队医穆罕默德-阿布埃拉表示，关于萨拉赫是否能参加本届世界杯的埃及首战，只有在“最后的时刻”才能作出决定。本周二，在记者招待会上，埃及国家队的医疗团队表示：“我们会等到比赛前的最后一刻再决定他是否上场。”这也直接关系到埃及在本届世界杯上的表现。

2018年1月5日，非洲足联年度颁奖仪式，非洲足球先生奖最终归属于利物浦前锋萨拉赫。他也成为了非洲足球先生自1992年创立以来，第一个获此殊荣的埃及球员。此外，他的出色发挥也帮助埃及国家队获得了2017年度最佳非足联国家队。

乌拉圭阵容分析：

乌拉圭的签运非常好，小组中的三个对手实力和他们不在一个水平线上，可以说是传统强队签运最好了。第一场比赛面对的是埃及队，埃及队的攻击线由状态火爆的萨拉赫领衔，要知道乌拉圭的后防线由经验丰富的戈丁领衔，只要防住了萨拉赫的冲击，埃及基本上给乌拉圭造成不了太大的影响。乌拉圭锋线由卡瓦尼和苏亚雷斯领衔。

埃及国家队首发阵容预测：

门将：埃尔-哈达里

后卫(从左到右)：阿赫梅德-法蒂、埃尔穆哈马迪、奥马尔-贾比尔、赫加齐

中场(从左到右)：索比、埃尔内尼、卡拉巴、希卡巴拉

前锋(从左到右)：萨拉赫、穆赫辛

乌拉圭国家队首发阵容预测：

门将：穆斯莱拉

后卫（从左到右）：卡塞雷斯、希门尼斯、戈丁、马克西-佩雷拉

中场（从左到右）：C-罗德里格斯、本坦库尔、贝西诺、南德斯

前锋（从左到右）：苏亚雷斯、卡瓦尼

就热身赛来看乌拉圭状态着实不错，反观埃及2018年的5场热身赛无一胜绩。目前盘口给出乌拉圭客让半一，赢球赢盘的盘口。这让人很容易去选择乌拉圭，虽然乌拉圭综合实力比较强，但是埃及的防守也是不可忽视的，萨拉赫能把埃及带到什么高度，真的不好说！本场小编还就不看乌拉圭能轻松取胜。

【历史战绩】

两队在历史上交战过1场，在2006年8月的一场友谊赛中，埃及0:2败给乌拉圭。

【人工智能分析】

使用了Kaggle的两个数据集，关注公众号并回复世界杯获得。我们将使用自1930年冠军开始以来所有参赛队的历史赛事结果。

环境和工具： jupyter

我们首先要对两个数据集进行一些探索性分析，做一些特征工程以选择最相关的特征进行预测，做一些数据处理，选择一个机器学习模型，最后将其部署到数据集上。

载入数据收集

探索性分析

分析两个数据集后，所得数据集包含过去匹配的数据。新的（产生的）数据集对分析和预测未来的匹配很有用。

探索性分析和特征工程：涉及确定哪些特征与机器学习模型相关是任何数据科学项目中最耗时的部分。

现在让我们将目标差异和结果列添加到结果数据集中。具体代码如下：

运行结果如下：

然后我们将处理一部分数据。其中包括只有尼日利亚参加的比赛。这将有助于我们关注哪些国家的特色有趣，并随后扩展到参加世界杯的国家。

具体代码如下：

#lets work with a subset of the data one that includes games played by Nigeria in a Nigeria dataframe
df = results[(results['home_team'] == 'Nigeria') | (results['away_team'] == 'Nigeria')]
nigeria = df.iloc[:]
nigeria.head()

第一届世界杯是在1930年举办的。创建一个年份的专栏，选择1930年以后的所有比赛，具体代码如下：

#creating a column for year and the first world cup was held in 1930
year = []
for row in nigeria['date']:year.append(int(row[:4]))
nigeria ['match_year']= year
nigeria_1930 = nigeria[nigeria.match_year >= 1930]
nigeria_1930.count()

与所有参与团队创建一个数据框，具体代码如下

#narrowing to team patcipating in the world cup
worldcup_teams = ['Australia', ' Iran', 'Japan', 'Korea Republic', 'Saudi Arabia', 'Egypt', 'Morocco', 'Nigeria', 'Senegal', 'Tunisia', 'Costa Rica', 'Mexico', 'Panama', 'Argentina', 'Brazil', 'Colombia', 'Peru', 'Uruguay', 'Belgium', 'Croatia', 'Denmark', 'England', 'France', 'Germany', 'Iceland', 'Poland', 'Portugal', 'Russia', 'Serbia', 'Spain', 'Sweden', 'Switzerland']
df_teams_home = results[results['home_team'].isin(worldcup_teams)]
df_teams_away = results[results['away_team'].isin(worldcup_teams)]
df_teams = pd.concat((df_teams_home, df_teams_away))
df_teams.drop_duplicates()
df_teams.count()

然后，我们会进一步过滤结果数据框，以显示从1930年起仅在今年世界杯上的球队以及丢弃重复。在1930年之前创建年份栏和放弃游戏以及不会影响例如日期，主场比分，客场比赛，比赛，城市，国家，goal_difference和match_year等比赛结果的栏。具体代码如下：

#create an year column to drop games before 1930
year = []
for row in df_teams['date']:year.append(int(row[:4]))
df_teams['match_year'] = year
df_teams_1930 = df_teams[df_teams.match_year >= 1930]
df_teams_1930.head()

具体结构如下：

修改“Y”（预测标签）以简化模型的处理。如果主队获胜，winner_team列将显示“2”，如果是平局则显示“1”，如果客队赢了，则显示“0”，具体代码如下：

#the prediction label: The winning_team column will show "2" if the home team has won, "1" if it was a tie, and "0" if the away team has won.df_teams_1930 = df_teams_1930.reset_index(drop=True)
df_teams_1930.loc[df_teams_1930.winning_team == df_teams_1930.home_team,'winning_team']=2
df_teams_1930.loc[df_teams_1930.winning_team == 'Draw', 'winning_team']=1
df_teams_1930.loc[df_teams_1930.winning_team == df_teams_1930.away_team, 'winning_team']=0df_teams_1930.head()

运行结果如下：

通过设置虚拟变量，将home_team和_team从分类变量转换为连续输入。使用熊猫，get_dummies（）函数。它取代类别列与他们的一个热（数字“1”和“0”）表示，使他们能够被装载到Scikit学习模式。然后，我们将X和Y组分开，并将数据分成70％的训练和30％的测试。代码如下：

#convert home team and away team from categorical variables to continous inputs
# Get dummy variables
final = pd.get_dummies(df_teams_1930, prefix=['home_team', 'away_team'], columns=['home_team', 'away_team'])# Separate X and y sets
X = final.drop(['winning_team'], axis=1)
y = final["winning_team"]
y = y.astype('int')# Separate train and test sets
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.30, random_state=42)

我们将使用逻辑回归，一种分类器算法。这个算法如何工作？通过使用逻辑函数估计概率，我可以测量分类因变量和一个或多个自变量之间的关系。具体来说就是累计物流配送。换句话说，逻辑回归试图预测给定可能影响该结果的一组数据点（统计量）的结果（胜利或损失）。在实践中这种方式的工作方式是你一次只用一组游戏来提供算法，同时提供上述“数据集”和游戏的实际结果。然后，模型会学习如何以每种数据的形式对游戏结果产生积极，消极影响以及在多大程度上影响游戏结果。给它足够的（好的）数据，并且你有一个可以用来预测未来结果的模型。模型与您提供的数据一样好。让我们来看看我们的最终数据框：运行结果如下：

看起来很棒。我们现在准备将其传递给我们的算法，代码如下

logreg = LogisticRegression()
logreg.fit(X_train, y_train)
score = logreg.score(X_train, y_train)
score2 = logreg.score(X_test, y_test)print("Training set accuracy: ", '%.3f'%(score))
print("Test set accuracy: ", '%.3f'%(score2))

我们的模型在训练集上的准确率为57％，在测试集上的准确率为55％。这看起来不太好，但让我们继续前进。在这一点上，我们将创建一个数据框，我们将部署我们的模型。

我们将首先加载截至2018年4月的国际足联排名数据集和包含从这里获得的比赛小组赛阶段的小组赛阶段的数据集。国际足联排名较高的球队将被视为比赛的“最爱”球员，因此，由于世界杯比赛中没有“主队”或“客队”球队，他们将被定位在“home_teams”栏目下。然后，我们根据每个团队的排名位置将团队添加到新的预测数据集中。下一步将创建虚拟变量并部署机器学习模型。

现在你想知道我们会不会接受预测？这是太多的代码和谈话，你什么时候会向我们展示预测？紧紧抓住我们几乎在那里......

将模型部署到数据集。我们从将模型部署到组比赛开始。从小组赛开始，进行比较。具体代码和结果如下所示：

#group matches
predictions = logreg.predict(pred_set)
for i in range(fixtures.shape[0]):print(backup_pred_set.iloc[i, 1] + " and " + backup_pred_set.iloc[i, 0])if predictions[i] == 2:print("Winner: " + backup_pred_set.iloc[i, 1])elif predictions[i] == 1:print("Draw")elif predictions[i] == 0:print("Winner: " + backup_pred_set.iloc[i, 0])print('Probability of ' + backup_pred_set.iloc[i, 1] + ' winning: ', '%.3f'%(logreg.predict_proba(pred_set)[i][2]))print('Probability of Draw: ', '%.3f'%(logreg.predict_proba(pred_set)[i][1]))print('Probability of ' + backup_pred_set.iloc[i, 0] + ' winning: ', '%.3f'%(logreg.predict_proba(pred_set)[i][0]))print("")

进而可以计算出今晚比赛的小组赛结果，乌拉圭胜～

Uruguay and Egypt
Winner: Uruguay
Probability of Uruguay winning:  0.590
Probability of Draw:  0.341
Probability of Egypt winning:  0.069 

另外，11点比赛是摩洛哥vs 伊朗   预测 摩洛哥 获胜。

Iran and Morocco
Draw
Probability of Iran winning:  0.236
Probability of Draw:  0.429
Probability of Morocco winning:  0.335

【最全赛事时间表】

每天分享预测结果，请打赏作者吧

人工智能与大数据生活（data_circle）

并 回复 世界杯 获得所有代码。

感谢您的阅读，祝您一天好心情！

长按二维码，关注我们