2022世界杯结果预测，简单AI模型最有效？附代码！

关注

原创最新推荐文章于 2026-04-02 03:06:17 发布 1.3w 阅读 AI 写同款· GEO 优化 ›

Ai 创想家迷宫寻宝最强代码（针对小学组的信息素养大赛） print("第", context.round, "回合，我要向上走","\n")print("第", context.round, "回合，我要向下走","\n")print("第", context.round, "回合，我要向左走","\n")print("第", context.round, "回合，我要向右走","\n")print("第", context.round, "回合，我要离开了")print("综合权重：", up_score,"\n")print("道路不可通行","\n") 阅读详情

2022世界杯冠军是谁？本文将为你揭晓一个利用简单AI模型得到的靠谱预测。

许多人称足球为“不可预测的比赛”，因为一场足球比赛有不同的因素可以改变最终比分。

这是真的……在某种程度上。
北大出版社，人工智能原理与实践人工智能和数据科学从入门到精通详解机器学习深度学习算法原理

人工智能原理与实践全面涵盖人工智能和数据科学各个重要体系经典

很难预测最终比分或比赛的获胜者，但在预测比赛的获胜者时却并非如此。在过去的5年里，拜仁慕尼黑赢得了所有的德甲冠军，而曼城则赢得了4次英超联赛冠军。

巧合？我不这么认为。

我们将如何预测比赛？

有不同的预测方法。我可以构建一个复杂的机器学习模型并为其提供多个变量，但在阅读了一些论文后，我决定给泊松分布一个机会。

为什么？好吧，让我们看一下泊松分布的定义。

泊松分布是一种离散概率分布，描述了在固定时间间隔或机会区域内发生的事件数量。

如果我们将进球看作是一场足球比赛 90 分钟内可能发生的事件，那么我们可以计算 A 队和 B 队在一场比赛中进球数的概率。

但这还不够。我们仍然需要满足泊松分布的假设。

可以计算事件的数量（一场比赛可以有 1、2、3 或更多的目标）
事件的发生是独立的（一个进球的发生应该不会影响另一个进球的概率）
事件发生的速率是恒定的（在某个时间间隔内进球的概率对于其他相同长度的时间间隔应该完全相同）
两个事件不能同时发生（两个目标不能同时发生）

毫无疑问，假设 1 和 4 得到满足，但假设 2 和 3 部分成立。也就是说，让我们假设假设 2 和 3 始终为真。

过去我曾准确预测欧洲顶级联赛的获胜者，当时我绘制了前 4 大联赛过去 5 年每场比赛进球数的直方图。
在这里插入图片描述

如果你看一下任何联赛的拟合曲线，它看起来就像泊松分布。

现在我们可以说，可以使用泊松分布来计算一场比赛中进球数的概率。

下面是泊松分布的公式。

在这里插入图片描述

为了做出我考虑的预测：

lambda : 90 分钟内进球的中位数（A 队和 B 队）
x : A 队和 B 队在一场比赛中可以进球的数量

要计算 lambda，我们需要每个国家队的平均进球数/失球数。这将我们带到下一点。

每个国家队的进球数/失球数
北大出版社，人工智能原理与实践人工智能和数据科学从入门到精通详解机器学习深度学习算法原理

人工智能原理与实践全面涵盖人工智能和数据科学各个重要体系经典

在收集了 1930 年到 2018 年所有世界杯比赛的数据后，我可以计算出每个国家队的平均进球数和失球数。

在这里插入图片描述

在我对欧洲前 4 联赛的预测中，我考虑了主客场因素，但由于在世界杯上几乎所有球队都在中立场地比赛，因此我在分析时没有考虑这个因素。

一旦我获得了每支国家队的进球数/失球数，我就创建了一个函数来预测每支球队在小组赛阶段将获得的积分数。

预测小组赛阶段
下面是我用来预测每个国家队在小组赛阶段将获得多少分的代码。它看起来很吓人，但它只有我提到的很多东西，直到这一点被翻译成代码。


def predict_points(home, away):
    if home in df_team_strength.index and away in df_team_strength.index:
        lamb_home = df_team_strength.at[home,'GoalsScored'] * df_team_strength.at[away,'GoalsConceded']
        lamb_away = df_team_strength.at[away,'GoalsScored'] * df_team_strength.at[home,'GoalsConceded']
        prob_home, prob_away, prob_draw = 0, 0, 0
        for x in range(0,11): #number of goals home team
            for y in range(0, 11): #number of goals away team
                p = poisson.pmf(x, lamb_home) * poisson.pmf(y, lamb_away)
                if x == y:
                    prob_draw += p
                elif x > y:
                    prob_home += p
                else:
                    prob_away += p
        
        points_home = 3 * prob_home + prob_draw
        points_away = 3 * prob_away + prob_draw
        return (points_home, points_away)
    else:
        return (0, 0)

上面代码解释一下就是，我们用predict_points计算主队和客队将获得多少分。为此，我使用公式计算了每个团队的 lambda average_goals_scored * average_goals_conceded。

然后我模拟了一场比赛的所有可能比分，从 0-0 到 10-10（最后一个比分只是我目标范围的限制）。一旦我有了 lambda 和 x，我就使用泊松分布的公式来计算p。

如果比赛分别以 1–0（主场获胜）、1–1（平局）或 0–1（客场获胜）结束，则prob_home、prob_draw和prob_away将累积其值。p最后，使用以下公式计算分数。

points_home = 3 * prob_home + prob_draw
points_away = 3 * prob_away + prob_draw

如果我们predict_points用来预测英格兰对美国的比赛，我们会得到这个。

>>> predict_points('England', 'United States')
(2.2356147635326007, 0.5922397535606193)

这意味着英格兰将获得 2.23 分，而美国将获得 0.59 分。

如果我们将此predict_points函数应用于小组赛阶段的所有比赛，我们将获得每个小组的第 1 和第 2 名，从而在淘汰赛中获得以下比赛对抗阵容。
北大出版社，人工智能原理与实践人工智能和数据科学从入门到精通详解机器学习深度学习算法原理

人工智能原理与实践全面涵盖人工智能和数据科学各个重要体系经典
在这里插入图片描述

预测淘汰赛

对于淘汰赛，我不需要预测积分，而是预测每组的胜者。这就是为什么我在get_winner以前的功能的基础上创建了一个新predict_points功能。

def get_winner(df_fixture_updated):
    for index, row in df_fixture_updated.iterrows():
        home, away = row['home'], row['away']
        points_home, points_away = predict_points(home, away)
        if points_home > points_away:
            winner = home
        else:
            winner = away
        df_fixture_updated.loc[index, 'winner'] = winner
    return df_fixture_updated