Futbol oyuncu ve izleyici sayısı bakımından dünyadaki en popular spordur. Futbolun popülerliği son yıllarda artmıştır ve küresel ekonominin önemli bir parçası olmuştur. 2017 yılı içerisinde sadece Avrupa kulüplerinin geliri 27 milyar dolardır. Bu spordaki başlıca zorluklardan birisi, belli bir takım formasyonu için her pozisyona uygun oyuncunun yerleştirilmesidir. Bu zorluğun sebebi takımdaki her oyuncunun uygun olduğu pozisyonu verecek bilimsel bir formül veya denklemin olmayışıdır. Futbolcuların uygun pozisyonlarının belirlenmesi takım koçları tarafından gözlemlere ve tecrübeye dayalı olarak yapılmaktadır ve bu durum kişisel yargılara sebep olmaktadır. Bu zorlukların üstesinden gelebilmek için bir karar destek sistemi oluşturulmuştur. Bu tez çalışmasında futbol takımı yönetimi için makine öğrenmesi yöntemlerinden faydalanan yeni bir zeki karar destek sistemi önerilmiştir. Bu karar destek sisteminin başlıca hedefi takımdaki her oyuncu için kişisel yeteneklerini temel olarak en uygun pozisyonu belirlemek ve istenen formasyona göre en iyi takımı oluşturmaktır. Son olarak, sistem her oyuncunun top sürme yeteneğini belirleme yeteneğine sahiptir. Oyuncunun top sürme becerisinin gözlenmesi yöneticilerin oyucu alım, satım ve sözleşme yenileme işlemlerinde daha uygun kararlar vermesine yardımcı olur. Bu tez çalışmasında bir sezon için 17359 oyuncu içeren FIFA futbol oyunu verileri kullanılmaktadır. Oyuncu verilerini analiz ederken, sınıflandırma ve regresyon problemleri için makine öğrenmesi teknikleri kullanılmıştır (linear and logistic regression, random forest, neural network and k nearest neighbor). Ayrıca, veri boyutunu düşürmek için principal component analysis ve recursive feature elimination algoritmalarından yararlanılmıştır. Bu algoritmalar ile 29 nitelik içerisinden 17 tanesini kullanarak her oyuncunun uygun pozisyonunun belirlenebileceği görülmüştür. Önceki çalışmalardan farklı olarak bu tezde, her oyuncunun uygun pozisyonunu bulmak için rastgele orman algoritması kullanılmıştır. Bu algoritma ikili sınıflandırma için % 88.60 ve çoklu sınıflandırma için % 58.53 doğruluk değerleri ile diğer algoritmalardan daha verimli değerler vermiştir. Bu algoritmaların performanslarının değerlendirilmesi için üç teknik kullanılmıştır (Hold-out, Cross Validation and Repeated Random Hold-out). Her oyuncunun uygun pozisyonunu belirledikten sonra istenilen formasyona göre en iyi takım her oyuncunun derecesi dikkate alarak oluşturulmaktadır. Son olarak top sürme becerisini belirlemek için dört farklı algoritma kullanılmıştır (linear regression, logistic regression, random forest and neural network). En iyi sonucu 17 performans niteliği kullanılarak % 99.90 doğruluk değeriyle rastgele orman algoritması vermiştir.
Football considered as most popular sport in the world in both number of spectators and players. Popularity of football has increased in the last years and it became an important contributor to the global economy. Where, the revenue for European football clubs alone for 2017 rated at $27bn. In football, team management consider as one main challenges in this sport especially those related to choosing the suitable player for the suitable position in a specific formation because there is no formula or scientific equations used to identify the preferred available position for player in team. where, the assignment generally is done by the coaches by use their experiences and observations about the players, these making selecting of players subject to many biases. Therefore, we need to build intelligent decision support systems to face these challenges. This thesis proposes a new intelligent decision support system for a football team management by using algorithms of machine learning. The main purpose of this decision support system is to find intelligent solutions based on skills of players (technical, physical and mental) to find preferred available position for player in team and find the best available squad according to formations of play. finally, the system has ability to predict dribbling skill for each player in the team to monitor the growth and performance of players because predicting player's skill (like dribbling) will help managers to make suitable decisions like sell, buy and contract renewal. In this thesis we use dataset of FIFA Soccer video game, that contains data for 17359 players for one season. When analyzing players data, we have used machine learning techniques (linear and logistic regression, random forest, neural network and k nearest neighbor) for classification and regression problems. Further, we use recursive feature elimination algorithm (RFE) and principal component analysis (PCA) algorithm for reducing data dimension. where, we found 17 performance attributes using which we can predict the preferred available position for each player in team out of 29 attributes. Differently from the previous studies, in this thesis we use random forest algorithm to find preferred available position for each player in team, and it has proved to be more efficient in classification of players position's than other algorithms, where we obtained a predictive accuracy of 88.6% for binary classification (2 position) and predictive accuracy of 58.5% for multi classification (14 position). Where, the performance of all these algorithms are evaluated using three common techniques (Hold-out (train and test split), Cross Validation (CV) and Repeated Random Hold-out) and comparison the result among them. After assigning each player to the position we determine the best team squad according to formation plays (like 4-3-3 or 3-5-2) based on rating of player. Finally, to predict the skill of dribbling, we used four algorithms (linear regression, logistic regression, random forest and neural network). We got best result by using random forest, where predictive accuracy was 99.9% by using 17 performance attributes.
