Trabalho apresentado ao curso BI MASTER como pré-requisito para conclusão de curso e obtenção de crédito na disciplina "Projetos de Sistemas Inteligentes de Apoio à Decisão".

• Link para o código.

A NBA é a maior liga de basquete do mundo e vem se internacionalizando a cada ano, com cada vez mais presença de jogadores de fora dos Estados Unidos. Devido à sua grande popularidade e a cultura de estatística esportiva estadunidense muitos dados estão disponíveis para realização de estudos para quem tiver interesse. Pensando nisso e no momento particular no esporte vivido pela época da Pandemia foi possível, pela primeira vez na historia, a realizacao de um número significativo de jogos sem torcida. Assim, utilizando os resultados das temporadas da NBA entre 2016 e 2021 foi possível criar modelos para prever o resultado de uma partida da NBA e em um segundo momento, esse modelos podem ser utilizados para entender o impacto da presença de torcida. Os modelos criados utilizaram apenas variaveis possíveis de calcular com os resultados das partidas da NBA e apresentaram uma acurácia em média de 65% nos dados de teste. Um problema comum para os modelos foi o overfitting, que ao ser contornado resultava em modelos de menor acurácia nos dados de teste

NBA (National Basketball Association) é a principal liga de basquete do mundo, disputada nos Estados Unidos e que vem se expandindo internacionalmente ao longo dos ultimos anos.

Devido à grande cultura de dados, enraizada nos esportes estadunidenses, temos a nossa disposição uma infinidade de dados que nos possibilitam entender o jogo nos mínimos detalhes.

Com a Pandemia do COVID19 surgiram algumas situações únicas que, pela primeira vez, nos permitem mensurar o real impacto que a presença de torcida possui, uma vez que tivemos um número significativo de jogos em quadra neutra.

Esse trabalho visa a criação de modelos de classificacao para a previsão do vencedor de uma partida da NBA e com esses modelos ser capaz de mensurar o real impacto da presenca de torcida em termos de aumentar as chances de vitoria do time da casa. Isso será feito a partir da análise do coeficiente da variavel que indica presenca de torcida.

Vamos retirar esses dados do site basketball-reference.com, utilizando crawler criado pelo arquivo de Funcoes_Aux_TCC.R Vamos tambem retirar os dados de capacidade maxima de cada arena para calculo da ocupacao das arenas nos jogos.

Para a modelagem foram retirados dados do site-basketball-reference.com utilizando um crawler criado dentro do arquivo Funcoes_Aux_TCC.R. A Funçao criada para obtenção dos resultados das partidas é a função get_matches que recebe três parâmetros: uma lista com os anos que se quer extrair os resultados das partidas, uma lista com os meses que ser quer extrair e a URL do site basketball-reference. O codigo utiliza os anos e os meses das listas para construir a URL que contem os dados daquele respectivo ano e mes e é realizada uma extração do html via pacote RVEST. Após a extração dos resultados alguns tratamentos ainda precisam ser realizados, como exclusao de algumas colunas e identificação dos jogos de playoffs.

As demais funções dentro do arquivo Funcoes_AXU_TCC.R são utilizadas para construção das variáveis que serão utilizadas na modelagem:

1. Função check_results para verificar se o time da casa venceu o jogo, uma vez que os dados vinham apenas com a pontuacao do time da casa e do time visitante. Essa função foi utilizada para a criação da variável Home_Win.
2. Funcao calcula_sequencia para calcular a sequencia de derrotas ou vitorias tanto do time da casa quanto visitante. Funcao foi utilizada para criação das variaveis Home_Win_Streak, Home_Loss_Streak, Away_Win_Streak, Away_Loss_Streak 3)Funcao calcula_win_ratio para cálculo da taxa de vitoria do time da casa e visitante antes da realizacao do jogo. Utilizada para criação das variaveis Home_Win_Ratio e Away_Win_Ratio. Essa variáveis se mostraram sendo as mais significativas nos modelos,
3. Função calcula_descanso para cálculo de quantos dias de descanso cada time tinha antes da realizacao do jogo. As variaveis criadas foram Home_Descanso e Away_Descanso.
4. Ultima funcao presente no arquivo é a funcao normalizar que utiliza o metodo MinMax para normalização das variáveis.

Assim as variáveis criadas foram (tanto para time da casa como para time visitante):

1. TaxaDeVitoria: Porcentagem de jogos vencidos pelo time ate a data daquele jogo.

2. VitoriasEmSequencia: Jogos vencidos em sequencia pelo time ate a data daquele jogo.

3. DerrotasEmSequencia: Jogos perdidos em sequencia pelo time ate a data daquele jogo.

4. Dias de descanso: Quantidade de dias entre o jogo atual e o ultimo jogo.

5. Arena Occupation: Ocupacao da arena pelos fas. Ja calculado.

6. Fans_Presence: Presenca ou nao de torcida. Ja calculdado.

Foram utilizadas duas abordagens para modelagem:

1. Utilizar dados de três temporadas sem pandemia e criar a variavél ocupação (indicando quanto da capacidade da arena foi ocupada pelo publico) e entender seu impacto. E esperado que quanto maior o público presente maior as chances de vitoria do time da casa.

2. Utilizar dados da temporada 2019-2020 na qual a pandemia comecou e tivemos a realizacao da bolha da NBA. Os ultimos dez jogos de cada time naquela temporada regular foi realizada em quadra neutra. Com esses dados iremos criar a variavel presenca de publico (indicando se a partida foi realizada sem ou com torcida) e vamos analisar seu impacto nas chances de vitoria do time da casa. E esperado que essa variavel tenha impacto positivo nas chances de vitoria do time da casa.

A base de dados será construida a partir dos dados dos jogos das seguintes temporadas regulares da NBA:

2016-17
2017-18
2018-19
2019-20 --> temporada da bolha da NBA
2020-21 --> temporada com jogos sem torcida e publico limitado

Os modelos testados nas duas abordagens foram regressão logistica, random forest, xgboost e naive bayes.

Os modelosn nas duas abordagens nao apresentaram bons resultados, sofrendo de overfitting nos algoritmos random forest e xgboost. Mesmo após regularizacao dos parametros dos modelos, aliviou-se o problema de overfittin, porém não foi possível ultrapassar a acurácia do modelo de regressão logistica.

O modelo de regressão logísitca apresentou uma acurácia de 65%, porém tanto a variável de presenca de torcida (abordagem 2) quanto a variável de taxa de ocupação da arena não foram estatísticamente significativas (alto p-valor).

O Modelo Naive Bayes apresentou resultados parecidos com o modelo de regressão logística.

A utilização desses modelos para identificação do impacto da presença de torcida na chance do time da casa vencer fica limitado, uma vez que não se obteve bons resultados.

Matrícula: 201.110.695

Pontifícia Universidade Católica do Rio de Janeiro

Curso de Pós Graduação Business Intelligence Master