Metode strojnog učenja u određivanju tržišne vrijednosti igrača u nogometu

diplomski rad

• Naslov (engleski): Machine learning methods in determining the market value of football players
• Autor: Ivan Čulin
• Mentor: Nikola Sandrić (mentor)
• Član povjerenstva: Nikola Sandrić (predsjednik povjerenstva)
• Član povjerenstva: Igor Pažanin (član povjerenstva)
• Član povjerenstva: Sonja Štimac (član povjerenstva)
• Član povjerenstva: Miljenko Huzak (član povjerenstva)
• Ustanova koja je dodijelila akademski / stručni stupanj: Sveučilište u Zagrebu; Prirodoslovno-matematički fakultet; (Matematički odsjek); Zagreb
• Datum i država obrane: 2024-03-01, Hrvatska
• Znanstveno / umjetničko područje, polje i grana: PRIRODNE ZNANOSTI; Matematika

Sažetak

Ovaj diplomski rad bavi se predviđanjem tržišne vrijednosti nogometaša koristeći metode statističkog učenja. Na početku rada podsjetili smo se linearnog regresijskog modela i najpoznatije metode njegove prilagodbe - metode najmanjih kvadrata. U nastavku definiramo osnovne pojmove statističkog učenja, te uvodimo metode odabira prediktora u linearnim modelima i metode regularizacije (ridge i lasso regresija). Svaku od metoda smo primijenili na podatke o nogometašima. Rezultati ukazuju na postojanje određene linearne veze između prediktora i varijable odziva uz očite znakove potrebe za povećanjem kompleksnosti modela. Iako sve metode dovode do približno sličnih rezultata, kao najpouzdanija metoda pokazala se ridge regresija s obzirom da je njena pripadna testna greška najmanja.

Sažetak (engleski)

The main goal of this thesis is to predict the market value of football players using methods of statistical learning. At the beginning of the paper, we introduce the linear regression model and the least squares method. Furthermore, we defined the basic concepts of statistical learning and introduced methods for predictor selection in linear models and regularization methods (ridge and lasso regression). Each of these methods was applied to football player data. The results indicate the existence of a certain linear relationship between predictors and the response variable with obvious signs of the need to increase the model's complexity. Although all methods lead to approximately similar results, ridge regression proved to be the most reliable method since its corresponding test error is the lowest.

• Ključne riječi: metode statističkog učenja; linearni regresijski model; metoda najmanjih kvadrata; ridge regresija; lasso regresija
• Jezik: hrvatski
• URN:NBN: urn:nbn:hr:217:972343
• Studijski program: Naziv: Matematička statistika; Vrsta studija: sveučilišni; Stupanj studija: diplomski; Akademski / stručni naziv: sveučilišni magistar matematike (univ. mag. math.)
• Vrsta resursa: Tekst
• Način izrade datoteke: Izvorno digitalna
• Prava pristupa: Rad dostupan nakon; Datum isteka embarga: 2025-03-13
• Datum i vrijeme pohrane: 2024-03-13 08:11:07