Research on Predictive Modelling of Volleyball Game Outcomes Using Machine Learning Techniques and Data Analytics

Resumo Técnico: Modelagem Preditiva de Resultados de Jogos de Voleibol Utilizando Técnicas de Aprendizado de Máquina e Análise de Dados

Problema
O voleibol é um esporte de equipe altamente tático, onde os resultados são determinados por interações complexas e não lineares envolvendo seis posições rotacionais, táticas específicas do adversário e o ímpeto (momentum) durante o jogo. Embora a análise esportiva tenha migrado das estatísticas descritivas para a modelagem preditiva em esportes como basquete e futebol, o voleibol permanece sub-representado na literatura. Os modelos de previsão de voleibol existentes frequentemente dependem de estatísticas técnicas brutas (números absolutos por set), que falham em considerar a qualidade relativa dos oponentes. Além disso, há uma carência de protocolos padronizados e reproduzíveis para gerar dados sintéticos de voleibol e uma necessidade de avaliações comparativas de múltiplos algoritmos de aprendizado de máquina sob condições experimentais uniformes. Este estudo aborda essas lacunas ao desenvolver um pipeline de aprendizado de máquina que utiliza tanto dados sintéticos gerados quanto dados reais de partidas profissionais para prever resultados de jogos com alta precisão.

Metodologia
A pesquisa empregou uma estratégia de dados de duas frentes:

1. Geração de Dados Sintéticos: Um conjunto de dados de 800 partidas profissionais simuladas foi criado usando um framework de simulação de múltiplos estágios ancorado em distribuições empíricas da literatura publicada de voleibol (ex: Drikos et al., Palao e Ahrabi-Fard, Costa et al.). Cada partida foi gerada probabilisticamente com base em fatores latentes de qualidade das equipes e diferenças de desempenho ponderadas.
2. Validação com Mundo Real: Os modelos foram testados em 626 partidas reais da PlusLiga polonesa (2010–2022), extraídas de um repositório público do Kaggle.

Engenharia de Atributos (Feature Engineering)
Um componente crítico da metodologia foi a transformação de estatísticas brutas em 14 atributos engenheirados. Os autores foram além das métricas absoltas para focar em atributos diferenciais e compostos para normalizar o desempenho em relação ao oponente:

• Métricas Diferenciais: Calculadas como a diferença entre o desempenho da equipe mandante e da equipe visitante (ex: Diferencial de Eficiência de Ataque, Diferencial de Precisão de Saque, Diferencial de OPI, Diferencial de Break-Point).
• Índices Compostos: O Índice de Desempenho Ofensivo (OPI) e o Índice de Desempenho Defensivo (DPI) foram construídos para agregar subdimensões correlacionadas (ex: o OPI combina eficiência de ataque, precisão de saque e ímpeto).
• Outros Atributos: Incluíram entropia de distribuição do levantador, eficiência de rotação e extensão do rali (rally length).

Pipeline de Aprendizado de Máquina
Quatro algoritmos de classificação foram treinados e avaliados utilizando Python (scikit-learn, pandas, NumPy):

1. Regressão Logística (com regularização L2)
2. Random Forest (200 árvores)
3. Gradient Boosting (200 estimadores)
4. Rede Neural Multi-Layer Perceptron (MLP)

O pipeline incluiu normalização Z-score, divisões de treino-teste estratificadas de 80/20 e validação cruzada de cinco dobras (five-fold cross-validation). A importância dos atributos foi avaliada utilizando tanto a impureza de Gini quanto a importância de permutação.

Resultos Principais

• Desempenho do Modelo: No conjunto de teste real da PlusLiga (126 partidas), o Gradient Boosting e o Random Forest alcançaram a maior acurácia de 0,9365. Seus F1-scores foram 0,9333 e 0,9322, respectivamente. Todos os quatro modelos atingiram pontuações AUC-ROC superiores a 0,985, indicando excelente validade discriminativa.
• Sintético vs. Real: Os modelos apresentaram desempenho consistente em ambos os conjuntos de dados (sintético e real), validando a generalizabilidade da abordagem de engenharia de atributos. A geração de dados sintéticos espelhou com sucesso as realidades competitivas, com as taxas de vitória da casa estabilizando em torno de 0,51.
• Importância dos Atributos:
  • No conjunto de dados sintético, o Diferencial de Eficiência de Ataque foi o atributo mais importante (importância de Gini: 0,2483), seguido pelo Diferencial de Precisão de Saque e Diferencial de Ímpeto (Momentum).
  • No conjunto de dados real da PlusLiga, o Diferencial de OPI (0,2685) e o Diferencial de Break-Point (0,2264) emergiram como os principais preditores, seguidos pelo Diferencial de Eficiência de Ataque.
  • Notavelmente, a Entropia de Distribuição do Levantador não figurou entre os 10 principais atributos, sugerindo que diferenciais de eficiência direta medeiam o valor preditivo da entropia neste contexto.

Significância e Alegações
O artigo reivindica três contribuições primárias:

1. Protocolo de Dados Sintéticos: A criação de um conjunto de dados sintéticos reproduzível que representa resultados de voleibol profissional, o qual pode servir como um padrão (benchmark) para testes futuros de algoritmos.
2. Avaliação Algorítmica Comparativa: Uma comparação rigorosa de quatro algoritmos distintos sob condições idênticas, demonstrando que métodos de conjunto (ensemble methods — Gradient Boosting, Random Forest) e até modelos lineares (Regressão Logística) podem alcançar acurácia superior (aprox. 93,6%) em comparação com estudos anteriores de voleibol (que variavam de 71% a 83%).
3. Aplicação Prática: A identificação de conjuntos de atributos específicos (Diferencial de OPI, Diferencial de Break-Point) que podem informar estratégias de treinamento. Os autores sugerem que a Regressão Logística é uma alternativa viável e computacionalmente eficiente aos modelos de conjunto para implantação em tempo real, devido à sua acurácia comparável e interpretabilidade.

O estudo postula que a alta acurácia alcançada valida a abordagem de "Sandbox Estatística Generativa", sugerindo que a mecânica subjacente do voleibol profissional pode ser capturada efetivamente através da engenharia de atributos diferenciais. No entanto, os autores reconhecem limitações, incluindo a natureza binária da previsão (vitória/derrota vs. margem de pontuação), a exclusão de fatores não estacionários como fadiga ou decisões de arbitragem, e o potencial de sobreajuste (overfitting) em redes neurais em conjuntos de dados tabulares menores. Trabalhos futuros são propostos para testar a generalização em outras ligas e integrar dados de telemetria ao vivo.