Predicción resultados perceptrón

Predicción de quinielas futbolísticas mediante un perceptrón multicapa

DÍAZ MOLK, MARCOS

molk@axis.org

Febrero de 2002

Resumen

¿De que depende el resultado final de un partido de fútbol? ¿Es realmente algo aleatorio o tiene algo de común jornada a jornada?

A lo largo de este trabajo, intentaremos abordar estas preguntas desde el punto de vista de las redes neuronales,introduciendo características de los equipos en cada una de las jornadas, teniendo en cuenta aquellos considerados más influyentes de cara al resultado final de los encuentros.

Daremos diversas alternativas al problema en cuanto a la estructura de las RNA y a su algoritmo de aprendizaje,centrándonos principalmente en la arquitectura feedforward, e intentaremos que este trabajo sea de ayuda paradesarrollos posteriores en este mismo campo de actuación.

1 Introducción

La mayoría de los métodos de análisis de resultados futbolísticos, se basan en métodos estadísticos utilizando la mayor cantidad de datos posibles, e introduciéndolos en grandes bases de datos para realizar cálculos costosos que intenten vislumbrar aquellos factores más influyentes en el resultado final de un encuentro.

Peroen el ámbito estadístico, es difícil tener el control de multitud de variables que tengan una alta correlación. De hecho, es difícil el estudio estadístico con más de 3 variables inter-relacionadas.

En ese sentido surge el estudio de las Redes de Neuronas Artificiales, teniendo excelentes resultados respecto a los modelos derivados de la estadística clásica [PSICO-01]. El paralelismo decálculo, la memoria distribuida y la adaptabilidad al entorno, han convertido a las RNA en potentes instrumentos con capacidad para aprender relaciones entre variables sin necesidad de imponer presupuestos o restricciones de partida en los datos. Las redes neuronales operan sobre la base de reconocimiento de patrones y pueden adquirir conocimiento obtenido a partir de ejemplos. Esta forma de adquirir elconocimiento es una de sus características más destacables: no se programa de forma directa, como en los sistemas expertos, sino que se adquiere a partir de ejemplos, por ajuste de parámetros de las neuronas mediante un algoritmo de aprendizaje.

De todas formas, no debemos ser demasiado optimistas, ya que el resultado de un partido de fútbol tiene mucho de aleatorio, y quizás por esta razónfuncione muy bien en algunos casos y realmente mal en muchos otros.

Utilizaremos a lo largo del artículo un tipo de red neuronal denominada perceptrón multicapa, cuyo funcionamiento será explicado más adelante, y que hasta la fecha es el que ha reportado mejores resultados en este tipo de problemas. La estructura de este tipo de red es muy variable, y dependiente del problema, por lo que daremos unenfoque desde distintas perspectivas, observando las ventajas y desventajas de cada uno.

2 Método de trabajo

Los pasos seguidos para la elaboración del sistema han sido:

1- Seleccionar arquitectura

2- Selección del conjunto de entrenamiento

*Patrones de aprendizaje

*Patrones de Test

3- Fase de aprendizaje

4- Fase de Test

Podemos ver estos pasos esquemáticamente en lasiguiente figura:

En cuanto a selección de arquitectura, se ha optado por el Perceptrón Multicapa. El Perceptrón Multicapa es un modelo supervisado, es decir, se le presentan al perceptrón unas entradas con las correspondientes salidas que queremos que aprenda. De esta manera, la red primero calcula la salida que propone para esas entradas y luego, según el error que se está cometiendo, ajustasus pesos proporcionalmente a dicho error. Si la diferencia entre la salida calculada y la deseada fuese nula, no se modificarían los pesos.

Para crear una red neuronal nueva, se elige en primer lugar el número de capas, usualmente tres: capa de entrada, capa oculta y capa de salida.

Según un artículo [DOXMA-01], no se requieren más de 3 capas en una red de este tipo porque una red con...