
-
生物通官微
陪你抓住生命科技
跳动的脉搏
使用集成机器学习模型预测球员转会市场价值
《Scientific Reports》:Predicting player transfer market value with ensemble machine learning models
【字体: 大 中 小 】 时间:2026年08月28日 来源:Scientific Reports 4.9
编辑推荐:
摘要预测职业足球运动员的转会市场价值是体育经济学中的一个复杂问题,鉴于转会市场的不确定性、表现指标之间的非线性关联以及职业生涯的时间动态。当前的机器学习模型已显示出其有效性;然而,许多模型缺乏对球员职业生涯的时间整合以及用于决策的可解释性。本研究引入了一种时序感知异构堆叠集成
预测职业足球运动员的转会市场价值是体育经济学中的一个复杂问题,鉴于转会市场的不确定性、表现指标之间的非线性关联以及职业生涯的时间动态。当前的机器学习模型已显示出其有效性;然而,许多模型缺乏对球员职业生涯的时间整合以及用于决策的可解释性。本研究引入了一种时序感知异构堆叠集成(TAHSE)框架,该框架在由自适应 XGBoost 元学习器控制的两阶段堆叠集成框架中,结合了梯度提升技术(XGBoost、CatBoost 和 LightGBM)、基于注意力的长短期记忆(LSTM)神经网络以及随机森林回归器。该模型包含一个位置特定特征工程模块,以考虑位置差异,以及一个 MHTE 以捕捉跨赛季的职业生涯动态。我们在 2018 至 2024 赛季期间,对来自欧洲五大联赛的 18,547 名球员进行了实验。使用交叉验证评估模型的性能,得到的 \(\:{R}^{2}\:\)为 0.9487,平均绝对百分比误差(MAPE)为 8.73%,并进一步进行 Bootstrap 分析以确认预测的稳定性。通过复合可解释性框架改善了模型的可解释性,该框架涉及分层 SHAP 分析和反事实解释,提供全局特征重要性和个体实例解释。尽管该框架具有优越的预测能力,但分析使用 Transfermarkt 的市场价值估计作为实际转会价值的替代,且仅适用于欧洲主要足球联赛,这可能会限制这些发现向其他市场或赛事的转移性。本研究表明,时序集成学习和可解释人工智能方法可用于提高足球球员估值分析的透明度和数据驱动性质。