直男码农居然用AI预测世界杯冠军，看完推理全程的我彻底懵逼了
话说，最近的世界杯依然还在如火如荼地进行着。嗯，其实，作为一名直女，我想说的其实是，what？居然，还没有结束？！我怎么感觉世界杯已经踢了一个月了，有完没完啊！
而最近这段时间简直堪称是直男们的节日，八姐的好几个闺蜜已经说了，尼玛，世界杯简直让男人们都魔怔了，晚上不睡觉看球，让她们一天诞生了无数次想休夫的念头。你以为看个球就够了吗？直男球迷们的疯狂你永远都难以想象，特别是懂技术的直男。八姐听说，一位在乐信上班的程序员，不仅看球，还一本正经地用自己的AI技术来预测世界杯，那可真是不眠不休。
事情是这样的。这位程序员是在乐信专门做金融反欺诈AI引擎的，然后，他就翻了好几天的历史数据，整理出了将近50个纬度，预测世界杯结果。八姐也不懂，他预测的冠军是比利时，你们觉得靠谱吗？更有趣的是，这位程序员其实是个94年的小哥哥，本来应该各种花前月下牵着妹子的手的，但他却一脸嫌弃地拒绝了妹子帮他加班的请求，原因只是因为妹子不懂球。。。what？真是，直男心，海底针，直男码农的世界你永远不懂啊。
因为这个程序员是专门做金融反欺诈AI引擎的，所以，他就拿自己的工作研究成果来预测世界杯，然后用三天时间废寝忘食算出了各个球队取胜的概率。为此，他还专门写了一篇文章梳理了自己的推演过程。有懂技术的盆友说他预测得真心还有点意思。八姐也看完全文了，整个推理过程感觉上确实是有点意思的（嗯，我绝对不会告诉你，其实我完全看不懂一脸懵逼。）
好啦不废话啦，发来这位码农写的预测全文，顺便借此测试一下俺这个账号的直男粉丝到底有多少，哈哈。。
世界杯打到四强，关注度越来越高。谁是冠军？有理性的人，也有阴谋论者，似乎每个人都有内幕消息，但说来说去，都是一句“听说”。今天，我就来告诉大家，如果靠机器算，谁是冠军。
声明
以下观点仅代表我个人，不代表我所供职的乐信AI Lab，不对大家购买彩票的结果负责。天台风景虽好，想想家中妻小，赛前分析猛如虎，不如感觉更靠谱。
01
先说原则
从足球的角度来说，世界杯开赛前，夺冠赔率前四的球队——德国、巴西、西班牙和阿根廷都回了老家，最令人想不到的就是稳如德国，竟也应了最近几届世界杯卫冕冠军小组不出线的魔咒。这都正中了那句“大热必死”的俗话。
如果抛开偶然因素，仅从纸面分析，这些强队输的冤不冤？敌暗我明，技战术吃透，摆大巴密集防守，遇上强队，所谓的弱队有100种方法，让他们生不如死，从这个角度看，强队输的一点也不冤。
我的结论，是搜集了从2002年韩日世界杯到本届世界杯，8强球队的近50个维度数据依靠机器学习计算出来的。不接受抬杠，但愿意和我讨论技术的，十分欢迎。
02
学习一下
在做模型之前，码叔在网上做了一些功课，搜索了各类预测方法和结果，其中有一篇用Python分析的热度颇高。
选几个图给大家看看（侵删）：
世界杯历史胜场榜
世界杯历史进球榜
2018世界杯32强历史胜场榜
这还只是一小部分。
说实话，这篇预测收集了从1872年至今的数据，确实比码叔多多了，但遗憾的是，这些数据都是独立的，没有经过任何处理，就直接被用在了最后的结论上，并不像预测，而是数据排序。很显然，类似德国、巴西、阿根廷这样的传统强队，一定是最后的夺冠大热门。
举一个通俗的例子吧，你有10000块，我有100块，存在同一家银行，不论过多久，我都不会比你有钱，这与我努不努力不相干，只因为祖上不行。
说这些，我并没有任何不敬的意思，也没有贬低Python的意思（毕竟PHP是世界上最好的语言嘛，手动滑稽），只是讨论方法。我认为影响足球比赛的因素和历史数据确实有较大关联，但更重要的是，这支球队近年来的表现，就好比乌拉圭有两次世界杯冠军，法国只有一次，但最终法国2:0完胜乌拉圭。毕竟乌拉圭的冠军距今都快100年了，富不过三代嘛。
03
我的结论
现在开始说我的计算，从结果看，4强中比利时队拥有更大的概率获得冠军，法国和英格兰基本持平，克罗地亚稍稍下风。
04
我的过程
我选用的是近年来被炒得非常火热的机器学习，在建模的过程中，一般会有以下几个步骤：样本收集、特征处理、训练模型、预测结果，接下来详细说一下这几个步骤。
机器学习，其实是一个从已有的数据中发现和学习潜在规律的过程。我认为，世界杯冠军的预测，其实就是从过去的比赛中，分析出结果与特征的关系，让机器学习到一个函数y=f(x), 其中y是队伍的得分，x是队伍的特征。
因此，我搜集了2002年至2014年四届世界杯八强的数据，规定前四名分别得分4 、3 、2 和1，未进入四强的队伍得0分，这样共得到32条数据，再结合这32条数据当届世界杯的其他特征，作为训练集。
选哪些特征呢？一方面，是比赛特征，包括控球率，射门和射正比，传球成功率等，另一方面就是球队特征，例如在国际足联的排名，历史最佳排名，近4年最佳排名，球员平均年龄，顶级联赛球员比例，球员身价，教练胜率等，最后就是球队所代表的国家特征，来自哪个大洲、国家GDP世界排名等等。
思考
哪些维度最重要？这是个有意思的话题，计算后的发现让我有点惊讶，如果真的侥幸中了，我会再写一篇单独分析。
虽然从机器学习的角度来说，数据仍然显得有些少，但仔细数一数，也有将近50个了（这个过程花了码叔整整3天啊~~~本来组里有个妹子发现我偷偷搞这个，硬要陪着我加班帮我搜集数据，我觉得她是个球盲，什么也不懂，很碍事，就让她先回家了，现在想想，我是不是错过了什么）。
说仔细一些，我发现进入历届世界杯八强的队伍，主要是欧洲和南美洲的球队，而中北美洲、非洲、亚洲的球队很少（在此鸣（bi）谢（shi）亚洲某世界杯四强队），因此我将大洲分为欧洲、南美洲和其他三种，使用one-hot编码（用三个特征，分别表示球队国家所在的大洲是否是欧洲、南美洲、其他大洲，是的话为1，否则为0，这样对每一个球队来说，这三个特征只有一个是1，其他两位都是0）。
我先计算了特征与得分之间的皮尔森系数，系数绝对值越大，说明特征与得分相关度越高，根据皮尔森系数，筛选出一些相关度比较高的特征进行建模。
训练模型方面，我用了现在使用较为广泛的随机森林模型。随机森林是一种集成学习算法。
如上图所示，随机森林是由很多棵决策树构成的一片“森林”，对于一个样本，“森林”中的每棵“树“都会给出自己的预测结果，然后所有“树”根据民主方式进行投票，决定最终预测结果。
例如在分类问题中，共有10棵树，8棵树预测为A，2棵树预测为B，则投票结果显示为A。
在训练模型时，因样本数量有限，我将每棵树深度设置的较浅，并且通过限制叶子节点的样本数目进行剪枝。
图中没有子节点的节点被称作叶子节点，每个样本，从根节点开始，判断是否满足每个节点的条件，如果满足条件，则进入左侧节点，否则进入右侧节点，最终会落入一个叶子节点，叶子节点的value就是这棵树对该样本的预测值，所有树预测值的平均值，作为预测的最终得分。
用这个方法，最后四强球队的得分分别是：
球队 |
得分 |
法国 |
0.85 |
比利时 |
2.85 |
英格兰 |
0.85 |
克罗地亚 |
0.53 |
从这个角度看，比利时将会夺冠，也就是说，华帝的钱，真不一定退的出去。
足球是圆的，就像谁也不会想到德国会输给亚洲某世界杯四强队一样，这个结论我也不知道准不准，但是我用这个方法验算了2014年世界杯的结果，发现……是准的。
2014年的八强，德国夺冠概率明显高于其他队伍
05
写在最后
用“随机森林”预测世界杯结果的准确性，关键在于数据量以及数据的维度，否则结果可能大相径庭。
前不久，世界顶尖投行高盛也通过这种方法，预测了本届世界杯结果，而他们的结论是：
巴西最终夺冠的几率为 18.5%，高于法国 11.3% 和德国 10.7%；西班牙和阿根廷表现低迷，在四分之一决赛被淘汰；德国和巴西将分别在半决赛中击败葡萄牙和法国晋级。
从当前赛况来看，高盛的预测可以说是一塌糊涂。
问题出在哪儿？主要是因为高盛用了更少的参数。他们将数据参数严格限制在球队和个人级别的指标上、最后只有五个主要指标或者变量，分别是：球队评级、球员评级、球队近期表现、对手近期表现和球队近期进球势头。
数据维度不科学，怎么可能准的了！高盛已经不是第一次踩坑。2010 年世界杯，高盛预测总决赛巴西对德国，结果夺冠的是西班牙；2014 年又说巴西会夺冠，而且概率高达 48.5%——哪想到巴西在半决赛被德国 7:1 血洗……
如果说，码叔这回的预测是对的，那我是不是应该立马辞职去投行或者博彩公司？！支持的朋友点个赞。
附：
各大电视台、投行和博彩公司预测结果：
ESPN 多数专家（下同）：巴西
FOX Sports：巴西
BBC：德国
央视体育：巴西
瑞银 UBS：德国
大部分博彩公司：巴西
未经允许，不得其他媒体转载！重要的事情说一遍就够了！
欢迎爆料，爆料采纳者红包伺候，说不定很大呢。
开柒是TMT业内知名的自媒体，是今日头条签约作者，是网易新闻网易号“各有态度”签约账号，同时，在百度百家、搜狐、网易、腾讯等开设专栏。欢迎关注。