哈喽，大家好。
今天看到Kaggle上有一个预测世界杯比赛结果的项目，截至目前 4 场比赛预测结果全中。
今天把源码研究了一下，做了中文注释，给大家分享下。
文章目录
技术提升1. 获取数据集2. 特征工程3. 建模4. 预测
技术提升
本文由技术群粉丝分享，项目源码、数据、技术交流提升，均可加交流群获取，群友已超过2000人，添加时最好的备注方式为：来源+兴趣方向，方便找到志同道合的朋友
方式①、添加微信号：dkl88191，备注：来自CSDN +研究方向
方式②、微信搜索公众号：Python学习与数据挖掘，后台回复：加群
1. 获取数据集
数据集使用 1872-2022年国际足球比赛数据和FIFA 1992-2022年球队排名数据。
比赛数据
排名数据
虽然有数据集很大，但作者只用了 2018-2022年的数据作为训练数据。
df = pd.read_csv("./kaggle/input/international-football-results-from-1872-to-2017/results.csv")df = df[(df["date"] >= "2018-8-1")].reset_index(drop=True)
2. 特征工程
选取的特征要能够较好地反映预测结果，如：
世界杯球队的平均进球数
球队最近5场比赛的平均进球数
世界杯球队的平均犯规数
球队最近5场比赛的平均犯规数
球队在世界杯中 FIFA 平均排名
球队在最近5场比赛中 FIFA 平均排名
FIFA积分
最近5场FIFA积分
比赛得分
最近5场比赛积分
Mean game points by rank faced at the Cycle.
Mean game points by rank faced at last 5 games.
通过观察这些特征的小提琴图，筛选对预测结果又很强区分的特征。
对于值比较小的特征，可以尝试用箱型图观察。
最终生成的特征为：
最终特征如下：
rank_dif
goals_dif
goals_dif_l5
goals_suf_dif
goals_suf_dif_l5
dif_rank_agst
dif_rank_agst_l5
goals_per_ranking_dif
dif_points_rank
dif_points_rank_l5
is_friendly
3. 建模
作者选择了随机森林和GradientBoosting模型进行训练，并对比他们的 AUC。
GradientBoosting
随机森林
最终选取GradientBoosting作为预测模型。
4. 预测
预测需要获取 2022 世界杯比赛数据。
作者通过爬取维基百科解析出比赛数据，考虑到国内很多朋友无法访问维基百科。源代码中我已经将比赛数据放在本地文件中。
kaggle地址：https://www.kaggle.com/code/sslp23/predicting-fifa-2022-world-cup-with-ml/notebook