話說，最近的世界盃依然還在如火如荼地進行著。嗯，其實，作為一名直女，我想說的其實是，what？居然，還沒有結束？！我怎麼感覺世界盃已經踢了一個月了，有完沒完啊！
而最近這段時間簡直堪稱是直男們的節日，八姐的好幾個閨蜜已經說了，尼瑪，世界盃簡直讓男人們都魔怔了，晚上不睡覺看球，讓她們一天誕生了無數次想休夫的念頭。你以為看個球就夠了嗎？直男球迷們的瘋狂你永遠都難以想象，特別是懂技術的直男。八姐聽說，一位在樂信上班的程序員，不僅看球，還一本正經地用自己的AI技術來預測世界盃，那可真是不眠不休。
事情是這樣的。這位程序員是在樂信專門做金融反欺詐AI引擎的，然後，他就翻了好幾天的歷史數據，整理出了將近50個緯度，預測世界盃結果。八姐也不懂，他預測的冠軍是比利時，你們覺得靠譜嗎？更有趣的是，這位程序員其實是個94年的小哥哥，本來應該各種花前月下牽著妹子的手的，但他卻一臉嫌棄地拒絕了妹子幫他加班的請求，原因只是因為妹子不懂球。。。what？真是，直男心，海底針，直男碼農的世界你永遠不懂啊。
因為這個程序員是專門做金融反欺詐AI引擎的，所以，他就拿自己的工作研究成果來預測世界盃，然後用三天時間廢寢忘食算出了各個球隊取勝的概率。為此，他還專門寫了一篇文章梳理了自己的推演過程。有懂技術的盆友說他預測得真心還有點意思。八姐也看完全文了，整個推理過程感覺上確實是有點意思的（嗯，我絕對不會告訴你，其實我完全看不懂一臉懵逼。）
好啦不廢話啦，發來這位碼農寫的預測全文，順便藉此測試一下俺這個賬號的直男粉絲到底有多少，哈哈。。
世界盃打到四強，關注度越來越高。誰是冠軍？有理性的人，也有陰謀論者，似乎每個人都有內幕消息，但說來說去，都是一句“聽說”。今天，我就來告訴大家，如果靠機器算，誰是冠軍。
以下觀點僅代表我個人，不代表我所供職的樂信AI Lab，不對大家購買彩票的結果負責。天台風景雖好，想想家中妻小，賽前分析猛如虎，不如感覺更靠譜。
01
先說原則
從足球的角度來說，世界盃開賽前，奪冠賠率前四的球隊——德國、巴西、西班牙和阿根廷都回了老家，最令人想不到的就是穩如德國，竟也應了最近幾屆世界盃衛冕冠軍小組不出線的魔咒。這都正中了那句“大熱必死”的俗話。
如果拋開偶然因素，僅從紙面分析，這些強隊輸的冤不冤？敵暗我明，技戰術吃透，擺大巴密集防守，遇上強隊，所謂的弱隊有100種方法，讓他們生不如死，從這個角度看，強隊輸的一點也不冤。
我的結論，是蒐集了從2002年韓日世界盃到本屆世界盃，8強球隊的近50個維度數據依靠機器學習計算出來的。不接受抬槓，但願意和我討論技術的，十分歡迎。
02
學習一下
在做模型之前，碼叔在網上做了一些功課，搜索了各類預測方法和結果，其中有一篇用Python分析的熱度頗高。
選幾個圖給大家看看（侵刪）：
世界盃歷史勝場榜
世界盃歷史進球榜
2018世界盃32強歷史勝場榜
這還只是一小部分。
說實話，這篇預測收集了從1872年至今的數據，確實比碼叔多多了，但遺憾的是，這些數據都是獨立的，沒有經過任何處理，就直接被用在了最後的結論上，並不像預測，而是數據排序。很顯然，類似德國、巴西、阿根廷這樣的傳統強隊，一定是最後的奪冠大熱門。
舉一個通俗的例子吧，你有10000塊，我有100塊，存在同一家銀行，不論過多久，我都不會比你有錢，這與我努不努力不相干，只因為祖上不行。
說這些，我並沒有任何不敬的意思，也沒有貶低Python的意思（畢竟PHP是世界上最好的語言嘛，手動滑稽），只是討論方法。我認為影響足球比賽的因素和歷史數據確實有較大關聯，但更重要的是，這支球隊近年來的表現，就好比烏拉圭有兩次世界盃冠軍，法國只有一次，但最終法國2:0完勝烏拉圭。畢竟烏拉圭的冠軍距今都快100年了，富不過三代嘛。
03
我的結論
現在開始說我的計算，從結果看，4強中比利時隊擁有更大的概率獲得冠軍，法國和英格蘭基本持平，克羅地亞稍稍下風。
04
我的過程
我選用的是近年來被炒得非常火熱的機器學習，在建模的過程中，一般會有以下幾個步驟：樣本收集、特徵處理、訓練模型、預測結果，接下來詳細說一下這幾個步驟。
機器學習，其實是一個從已有的數據中發現和學習潛在規律的過程。我認為，世界盃冠軍的預測，其實就是從過去的比賽中，分析出結果與特徵的關係，讓機器學習到一個函數y= f(x), 其中y是隊伍的得分，x是隊伍的特徵。
因此，我搜集了2002年至2014年四屆世界盃八強的數據，規定前四名分別得分4 、3 、2 和1，未進入四強的隊伍得0分，這樣共得到32條數據，再結合這32條數據當屆世界盃的其他特徵，作為訓練集。
選哪些特徵呢？一方面，是比賽特徵，包括控球率，射門和射正比，傳球成功率等，另一方面就是球隊特徵，例如在國際足聯的排名，歷史最佳排名，近4年最佳排名，球員平均年齡，頂級聯賽球員比例，球員身價，教練勝率等，最後就是球隊所代表的國家特徵，來自哪個大洲、國家GDP世界排名等等。
思考
哪些維度最重要？這是個有意思的話題，計算後的發現讓我有點驚訝，如果真的僥倖中了，我會再寫一篇單獨分析。
雖然從機器學習的角度來說，數據仍然顯得有些少，但仔細數一數，也有將近50個了（這個過程花了碼叔整整3天啊~~~本來組裡有個妹子發現我偷偷搞這個，硬要陪著我加班幫我搜集數據，我覺得她是個球盲，什麼也不懂，很礙事，就讓她先回家了，現在想想，我是不是錯過了什麼）。
說仔細一些，我發現進入歷屆世界盃八強的隊伍，主要是歐洲和南美洲的球隊，而中北美洲、非洲、亞洲的球隊很少（在此鳴（bi）謝（shi）亞洲某世界盃四強隊），因此我將大洲分為歐洲、南美洲和其他三種，使用one-hot編碼（用三個特徵，分別表示球隊國家所在的大洲是否是歐洲、南美洲、其他大洲，是的話為1，否則為0，這樣對每一個球隊來說，這三個特徵只有一個是1，其他兩位都是0）。
我先計算了特徵與得分之間的皮爾森係數，係數絕對值越大，說明特徵與得分相關度越高，根據皮爾森係數，篩選出一些相關度比較高的特徵進行建模。
訓練模型方面，我用了現在使用較為廣泛的隨機森林模型。隨機森林是一種集成學習算法。
如上圖所示，隨機森林是由很多棵決策樹構成的一片“森林”，對於一個樣本，“森林”中的每棵“樹“都會給出自己的預測結果，然後所有“樹”根據民主方式進行投票，決定最終預測結果。
例如在分類問題中，共有10棵樹，8棵樹預測為A，2棵樹預測為B，則投票結果顯示為A。
在訓練模型時，因樣本數量有限，我將每棵樹深度設置的較淺，並且通過限制葉子節點的樣本數目進行剪枝。
圖中沒有子節點的節點被稱作葉子節點，每個樣本，從根節點開始，判斷是否滿足每個節點的條件，如果滿足條件，則進入左側節點，否則進入右側節點，最終會落入一個葉子節點，葉子節點的value就是這棵樹對該樣本的預測值，所有樹預測值的平均值，作為預測的最終得分。
用這個方法，最後四強球隊的得分分別是：
球隊
得分
法國
0.85
比利時
2.85
英格蘭
0.85
克羅地亞
0.53
從這個角度看，比利時將會奪冠，也就是說，華帝的錢，真不一定退的出去。
足球是圓的，就像誰也不會想到德國會輸給亞洲某世界盃四強隊一樣，這個結論我也不知道準不準，但是我用這個方法驗算了2014年世界盃的結果，發現……是準的。
2014年的八強，德國奪冠概率明顯高於其他隊伍
05
寫在最後
用“隨機森林”預測世界盃結果的準確性，關鍵在於數據量以及數據的維度，否則結果可能大相徑庭。
前不久，世界頂尖投行高盛也通過這種方法，預測了本屆世界盃結果，而他們的結論是：
巴西最終奪冠的幾率為 18.5%，高於法國 11.3% 和德國 10.7%；西班牙和阿根廷表現低迷，在四分之一決賽被淘汰；德國和巴西將分別在半決賽中擊敗葡萄牙和法國晉級。
從當前賽況來看，高盛的預測可以說是一塌糊塗。
問題出在哪兒？主要是因為高盛用了更少的參數。他們將數據參數嚴格限制在球隊和個人級別的指標上、最後只有五個主要指標或者變量，分別是：球隊評級、球員評級、球隊近期表現、對手近期表現和球隊近期進球勢頭。
數據維度不科學，怎麼可能準的了！高盛已經不是第一次踩坑。2010 年世界盃，高盛預測總決賽巴西對德國，結果奪冠的是西班牙；2014 年又說巴西會奪冠，而且概率高達 48.5%——哪想到巴西在半決賽被德國 7:1 血洗……
如果說，碼叔這回的預測是對的，那我是不是應該立馬辭職去投行或者博彩公司？！支持的朋友點個贊。
附：
各大電視臺、投行和博彩公司預測結果：
ESPN 多數專家（下同）：巴西
FOX Sports：巴西
BBC：德國
央視體育：巴西
瑞銀 UBS：德國
大部分博彩公司：巴西
閱讀更多 開八 的文章
