تقدير القيم السوقية للاعبي كرة القدم لاكتشاف المواهب المُستهان بها

يستفيد هذا المشروع من التعلم الآلي لتقدير القيمة السوقية للاعبي كرة القدم بناءً على خصائصهم مثل المهارات والسمات البدنية ومعلومات النادي. الهدف هو مساعدة أندية كرة القدم على اتخاذ قرارات مدروسة وفعالة من حيث التكلفة في سوق الانتقالات من خلال تحديد اللاعبين الذين يُحتمل أن تكون قيمتهم أقل من أدائهم الفعلي.

---

أهداف المشروع

• بناء نماذج تنبؤية لتقدير القيم السوقية للاعبين.
• تحديد اللاعبين المُقللين من قيمتهم الذين يقدمون قيمة عالية مقابل التكلفة.
• تقديم رؤى قابلة للتنفيذ حول الخصائص التي تؤثر في تقييم اللاعبين.

---

مجموعة البيانات

• الحجم: ~18,000 لاعب
• الخصائص: أكثر من 40 سمة، منها:
  • العمر، الطول، الوزن
  • التقييم العام، الإمكانات
  • القدم المفضلة، الفريق، العقد
  • القيمة السوقية (€)

---

معالجة البيانات المسبقة

الخطوات الرئيسية في إعداد البيانات:

• القيم المفقودة:

  • تعبئة القيم الرقمية بمتوسط العمود.
  • تعبئة القيم الفئوية بالنمط (mode).

• التوحيد القياسي:

  • تحويل الطول والوزن إلى النظام المتري.

• التطبيع:

  • تطبيق التطبيع على الميزات الرقمية لبعض النماذج.

• الترميز والتحليل:

  • ترميز السمات الفئوية.
  • تحليل بيانات العقود لاستخلاص تواريخ البداية والنهاية.

---

النماذج المستخدمة

1. الانحدار الخطي

• نموذج أساسي لفهم العلاقات الخطية.
• سهل التفسير من حيث تأثير الميزات.

2. الغابة العشوائية (Random Forest)

• يلتقط العلاقات المعقدة وغير الخطية.
• يقدم دقة تنبؤ أعلى.
• تم ضبط المعاملات الفائقة باستخدام GridSearchCV.

---

مقاييس التقييم

• جذر متوسط مربع الخطأ (RMSE) – لقياس متوسط خطأ التنبؤ.
• نتيجة R² – لقياس مدى تفسير النموذج لتباين البيانات.

النتائج

النموذج	RMSE	R²
الانحدار الخطي	€9,986,093.81	متوسط
الغابة العشوائية	€4,126,979.45	عالي

---

النتائج الرئيسية

• السمات المهارية (مثل التقييم العام والإمكانات) هي الأقوى تأثيرًا في تحديد القيمة السوقية.
• السمات البدنية (مثل الطول والوزن) كان تأثيرها أقل.
• تفوّق نموذج الغابة العشوائية على الانحدار الخطي بشكل واضح، ما يؤكد أهمية النماذج غير الخطية.

---

الدروس المستفادة

• المعالجة المسبقة الدقيقة ضرورية للحصول على نتائج موثوقة.
• اختيار النموذج يؤثر على كل من الدقة وسهولة التفسير.
• من الضروري تحديث البيانات بشكل دوري بسبب الطبيعة المتغيرة لسوق كرة القدم.

---

العمل المستقبلي

• دمج بيانات سلاسل زمنية لمتابعة تغيّر القيم عبر الزمن.
• تجربة نماذج أكثر تقدمًا مثل الشبكات العصبية.
• إدخال عوامل إضافية مثل الإصابات، الحالة النفسية، والوضع المالي للنادي.

---

الفريق

• مصطفى صلات
• محمد خالد
• عمرو الطواشي
• عبدالملك التويجري

---