TÜRKİYE ERKEKLER BASKETBOL LİGİ MAÇ SONUÇLARININ MAKİNE ÖĞRENMESİ YÖNTEMLERİ İLE TAHMİNİ

Abstract

Basketbol maçları dünyada en çok izlenen spor aktivitelerinden birisidir. Bu popülerlik sonucunda basketbol sporunda bilgi teknolojileri sık sık kullanılmaktadır. İstatistik ve veri depolama sistemlerinin gelişmesiyle maç istatistikleri, oyuncu özellikleri gibi parametreler artık çok kolay saklanabilmektedir. Müsabaka sonucu tahmini insanlara müsabaka öncesi bilgi vermesi açısından önemlidir. Müsabaka sonucu tahmini ile ilgili olarak Amerikan basketbol ligleri üzerine çalışmalar mevcut iken Avrupa basketbolu ligleri üzerine çalışmaların sayısı azdır. Literatürde bir ilk olarak bu çalışmada, müsabaka sonucu tahmini için Türkiye Erkekler Basketbol Süper Ligi maçları Dört Faktör ve DefansOfans modeli ile makine öğrenmesi yöntemleri beraber kullanılarak ele alınmıştır. Buna göre 2017-2018 tarihlerinde oynanan maçlar veri seti olarak kullanılmış ve Dört Faktör modeli ile birlikte incelenmiştir. Popüler makine öğrenmesi yöntemleri olan kNN, Lojistik Regresyon, Çok Katmanlı Algılayıcı, Naive Bayes, j48 ve Oylama ile kullanılmış ve çıkan sonuçlar değerlendirilmiştir. Sonuç olarak %96,55’lik tahmin başarısı yakalanmıştır.

Basketball competitions are one of the most watched sports activities in the world. As a result of this popularity, information technologies are frequently used in basketball. With the development of statistics and data storage systems, parameters such as match statistics, player properties can now be stored very easily. The prediction of the competition result is important in that it provides information to people before the competition. While there are studies on American basketball leagues in this topic, there are few studies on European basketball leagues. As a first in the literature in this study, results of competitions for Turkish Men's Basketball Super League game prediction were examined by using Four Factor model, DefenseOfense model and machine learning methods together. Accordingly, the matches played between 2017-2018 were used as data set and examined together with the Four Factor model. Popular machine learning methods; kNN, Logistic Regression, Multilayer Perceptron, Naive Bayes, j48 and Voting were used and the results were evaluated. As a result, 96.55% predicted success was achieved.