UD05 · EX3 — Centrocampistas jóvenes con potencial¶

Este ejemplo muestra cómo crear un sistema experto con lógica difusa para detectar centro-campistas jóvenes con buen potencial.Nos basaremos en el trabajo de Luka Radovanović, un estudiante de la Universidad de Belgrado. El resultado del trabajo se puede encontrar en: https://github.com/lukadlm97/football-manager-researching

Planteamiento del problema¶

Uno de los problemas que encuentran los equipos de fútbol es la detección de jugadores jóvenes con potencial. Es por eso que estamos creando un sistema expertos con lógica difusa que nos ayude a detectar centrocampistas ofensivos jóvenes con potencial.

Hemos elegido la posición de un centrocampista ofensivo porque es una posición de lo más difícil de encontrar y, por lo tanto, es una posición que los equipos están buscando mucho.Además, es una posición en la que muchos de los mejores jugadores de la historia han jugado, como: Di Stefano, Maradona, Zidane, Platini, etc.

Pasos previos¶

Necesitamos instalar la libreria scikit-fuzzy. Usamos la 0.5.0 con un pequeno parche: la 0.4.2 que se usaba antes ya no funciona en Python 3.12 o posterior.

Anàlisi de les dades¶

Primero cargamos los datos (EX2.-players_22.csv) y vemos cómo están estructurados. Cargaremos los datos en un DataFrame de datos de Pandas y observaremos las primeras filas.

También será útil para nosotros que nos describan los datos para conocer su distribución.

Como hemos dicho, estamos buscando un centro-campista ofensivo joven, por lo que eliminaremos a todos los jugadores que no juegan en esta posición (CAM - Center Attacking Midfielders) o tienen más de 24 años.

Análisis del potencial¶

Para hacer una primera aproximación al potencial de los jugadores, hemos hecho una primera hipótesis que nos dice que los jugadores más potenciales son aquellos que son muy jóvenes y tienen una gran habilidad para pasar la pelota.

Luego crearemos un sistema difuso con dos variables de entrada: la edad y la capacidad de pasar la pelota. La variable de salida será el potencial.

El resumen de las reglas propuestas es el siguiente:

Relación entre la edad y la categoría lingüística¶

Relación entre la capacidad de pasar la pelota y la categoría lingüística¶

Relación entre la categoría lingüística de potencial y su valor numérico¶

Las variables de salida serán triangulares.

Define los antecedentes y la consecuencia con sus funciones de adhesión.

Reglas¶

Debemos definir las reglas que relacionan las variables de entrada con la variable de salida. Será lo siguiente:

Cree las reglas para nuestro sistema y el sistema de control. Ver las dependencias.

Antes de aplicar nuestro modelo a todos los datos que tenemos, debemos probarlo con un par de ejemplos. ¿Cuál será el potencial de un jugador de 17 años y un pase de 40? ¿Y si tuviera un pase de 80? También evalúa los dos casos anteriores si tenía 23 años.

Actualitzar el DataFrame¶

Actualiza el DataFrame con los datos calculados por nuestro modelo. Crea una columna llamada "potencial" con los datos que hemos calculado.

Conclusiones¶

Si observamos los resultados, podemos concluir que nuestro modelo es bastante consistente, incluso si los números no son del todo realistas. ¿Cómo podemos mejorar el modelo? Agrega cierta mejora o basate en el trabajo de Luka Radovanović y comenta los resultados.

Agrega también las celdas de markdown que necesites para explicarlo

Entrega¶

Una vez completado el Notebook y ejecutado completamente (comprueba que funcionan todas las celdas) y añadidas las mejoras. Envialo a la tarea correspondiente de AULES.