Documentação do Projeto

Coleta de Dados

A coleta de dados foi realizada a partir do site Transfermarket.com, especialista em estatísticas e números sobre futebol. Utilizamos APIs públicas e bancos de dados open-source. Os passos específicos da coleta foram:

1. Identificação das Fontes de Dados:

   • APIs Públicas: Utilizamos dados do Transfermarket. com para ter os dados necessários: valor dos elencos e suas pontuações nas respectivas edições da Premier League.

2. Extração dos Dados:

   • CSV: O dataset foi baixado diretamente do Transfermarket e importado para o ambiente de análise.

3. Pré-processamento dos Dados:

   • Atualização dos dados, adicionando estatísticas faltantes de 2018 até 2023

4. Armazenamento dos Dados:

   • Os dados coletados foram armazenados em um banco de dados CSV para facilitar consultas e manipulações subsequentes.

Modelagem

A modelagem dos dados envolveu a escolha de algoritmos de machine learning apropriados e a realização de experimentos para otimizar o desempenho dos modelos. O processo foi o seguinte:

1. Escolha dos Modelos:

   • Para previsão de pontos conquistados, foi utilizado um modelo de Regressão Linear.

2. Divisão dos Dados:

   • Os dados foram divididos em conjuntos de treino e teste na proporção de 75/25.

3. Avaliação dos Modelos:

   • Regressão Linear: O desempenho foi avaliado utilizando o erro médio absoluto (MAE).

Conclusões

Com base nos resultados dos nossos modelos, chegamos às seguintes conclusões:

1. Previsão de Pontos:

   • Dividimos o resultado do coeficiente por 10 para uma melhor compreensão do resultado. Podemos dizer que a cada 10% abaixo do time mais caro, haveria uma perda de 5.3 pontos em média. Erro Absoluto Médio foi é de 7.6, uma margem de erro aceitável num mundo de dados fartos mas de surpresas imprevisíveis como é o futebol.

2. Recomendações:

   • Para melhorar ainda mais a análise de valores, recomendamos um estudo também aprofundado em equipes que formam jogadores, assim diminuindo seus gastos na aquisição de estrelas.
   • Para a previsão de pontos, sugere-se a incorporação de mais variáveis como folha salarial e orçamento disponível e usado para gastos estruturais.