融合XGBoost与SHAP模型的足球运动员身价预测及特征分析方法

摘要：

随着足球运动全球化程度的不断提升,全球转会市场愈发庞大,然而针对影响转会交易最关键的因素球员身价的深入模型及应用研究还较为缺乏.以国际足球联合会FIFA的官方球员数据库为研究对象,首先,在区分不同球员位置的前提下,运用Box-Cox变换、F-Score特征选择等方法对原始数据集进行特征处理;其次,通过XGBoost构建球员身价预测模型,并与Random Forest,Adaboost,GBDT,SVR等主流机器学习算法进行10折交叉验证实验对比,证明了XGBoost模型在R2,MA E,RMSE这3项指标上的性能优势;最后,在身价预测模型的基础上,融合SHAP框架分析不同位置影响球员身价的重要因素,为球员身价评估、身价对比分析、球员训练策略制定等场景提供决策支持.

关键词：机器学习、球员身价预测、训练策略、XGBoost算法、SHAP值

所属期刊栏目：49

分类号：TP391(计算技术、计算机技术)

资助基金：国家自然科学基金;新疆天山雪松计划青年拔尖人才后备人选项目;新疆高校科研计划项目

在线出版日期：2022-12-29（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：195-204