Prediksi Goal Scored dengan Parameter Shoot On Target Pada Dataset Fifa 2018 Match Statistics.¶
Pada project ini, saya mencoba memprediksi Goal Scored dengan parameter On-Target menggunakan Linear Regression.
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
df = pd.read_csv('FIFA 2018 Statistic.csv')
df.head()
df.columns
Mengetahui Jumlah Baris dan Kolom¶
df.shape
Memperoleh Deskripsi Singkat Dari Dataset¶
df.info()
Mengetahui Summary Statistik¶
df.describe()
Periksa data NaN¶
df.isnull().sum()
Ada beberapa kolom yang berisi NaN. Setelah kita memperhatikan dataset tersebut, kolom yang memiliki data NaN tidak berpengaruh terhadap kolom On_Target dan Goal Scored. Kita bisa mengabaikan, memberi nilai kosong, atau menghapus kolom.
Disini saya akan menghapus kolom yang berisi nilai NaN
df = df.drop(columns=['1st Goal','Own goals','Own goal Time'])
df.isnull().sum()
Mengetahui Korelasi Fitur¶
df_cor = df.corr().abs()
df_cor
Dapat kita ketahui bahwa fitur On-Target memiliki korelasi yang paling kuat terhadap Goal-Scored
X = df.loc[:, ['On-Target']]
y = df.loc[:, ['Goal Scored']]
plt.scatter(X,y,color='red')
plt.xlabel('Shot On Target')
plt.ylabel('Goal Scored')
plt.show()
import seaborn as sns
sns.scatterplot(x=df['On-Target'], y=df['Goal Scored'], hue=df['Man of the Match'])
plt.show()
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X,y, random_state=0, test_size=1/3)
from sklearn.linear_model import LinearRegression
regressor = LinearRegression()
regressor.fit(X_train, y_train)
2. Predict¶
y_pred = regressor.predict(X_test)
print('Model Score Linear Regression :', regressor.score(X_test, y_test))
df1 = pd.DataFrame(y_test).reset_index(drop = True)
df2 = pd.DataFrame(y_pred, columns=['Perdicted Goal Scored']).reset_index(drop=True)
print(df1.join(df2.astype(int)).head(10))
Visulalisasi Hasil Prediksi dengan Model Linear Regression¶
plt.figure(figsize=(10,10))
plot1 = plt.subplot(221)
plot1 = plt.scatter(X_train, y_train, color='r')
plot1 = plt.plot(X_train, regressor.predict(X_train))
plot1 = plt.title('Visualsasi Train Set')
plot1 = plt.xlabel('Shot On Target')
plot1 = plt.ylabel('Goal Scored')
plot2 = plt.subplot(222)
plot2 = plt.scatter(X_test, y_test, color='r')
plot2 = plt.plot(X_train, regressor.predict(X_train))
plot2 = plt.title('Visualisasi Test Set')
plot2 = plt.xlabel('Shot On Target')
plot2 = plt.ylabel('Goal Scored')
plot3 = plt.subplot(212)
plot3 = plt.scatter(X,y,color='r')
plot3 = plt.plot(X_train, regressor.predict(X_train))
plot3 = plt.title('Visualisasi Data Asli')
plot3 = plt.xlabel('Shot On Target')
plot3 = plt.ylabel('Goal Scored')
plt.show()
Prediksi Goal Scored dengan 10 Shot On Target¶
y_pred = regressor.predict([[10]])
print(f'Hasil Prediksi Goal Scored = {float(y_pred):,.1f}')
print(f'Hasil Prediksi Goal Scored Jika Nilai diBulatkan dengan Round = {float(y_pred.round())}')
print(f'Hasil Prediksi Goal Scored Jika Menghilangkan Nilai Dibelakang Koma = {int(y_pred)}')
Visualisasi Prediksi Goal Scored dengan 10 Shot On Target¶
plt.scatter(10, y_pred, color='r')
plt.plot(X_train, regressor.predict(X_train))
plt.title('Prediksi Goal Scored dengan 10 Shot On Target')
plt.xlabel('Shot On Target')
plt.ylabel('Goal Scored')
plt.show()
Kesimpulan¶
Untuk memprediksi Goal-Scored menggunakan parameter On-Target saja tidak mendapatkan hasil prediksi yang akurat, meskipun fitur On-Target memiliki korelasi paling tingggi terhadap Goal-Scored.
Project ini menggunakan hanya 1 Paramater yaitu On-Target, dengan menambah Paramater dan mencoba model machine learning lainnya akan menghasilkan Prediksi/Model Score yang lebih baik.