看到kaggle、medium上有不少人用球隊的歷史數據來進行建模預測，比如用到泊松分佈、決策樹、邏輯迴歸等算法，很大程度上能反映強者恆強的現象，比如巴西、英格蘭等大概率能進8強，就像高考模擬考試成績越好，大概率高考也會考得好。
這個和人腦的預測是類似的，建立在你看了足夠多的球賽，對每一個國家隊、球員、教練、打法等都瞭如指掌，你纔能有充分的判斷依據。而且你還不能帶有主觀的傾向，意大利球迷肯定篤定意大利能奪冠，但他們在預選賽就被淘汰了。
但是阿根廷輸沙特、德國輸日本這樣的黑天鵝事件，不管是AI還是人腦都是沒法預測的，否則真成預言者了。買阿根廷、德國贏的人其實是選擇了大概率事件，但並沒有發生，他們的決策其實是對的。
因爲世界盃比賽有很多變動因素，比如裁判規則、球員傷退、排兵佈陣，甚至當地環境、食宿也都會有影響，所以在進行AI預測的時候，需要有很多維度的數據進行綜合分析，單單從球隊的歷史成績來判斷，肯定是對準確率會有影響。
這其實是有貝葉斯定理的邏輯在裏面，大膽假設，小心求證。
說了一大堆，還沒講如何用AI來預測。我前幾天在kaggle看到過一個博主用了GBM梯度提升算法，它通過求損失函數在梯度方向下降的方法，層層改進。
大概描述下步驟：
1、數據準備。
該項目用了【FIFA 1992-2022世界排名】、【1872-2022國家隊比賽結果】兩個數據集。通過數據預處理對兩個數據源進行連接
2、特徵工程。
列出對預測比賽結果有影響的特徵字段，共37個。特徵選取主要根據歷史經驗、直覺判斷，比如過去的比賽積分、過去的進球和損失、比賽的重要性、球隊排名、團隊排名提升等等。
接着要對各個特徵進行相關性檢測，判斷對預測是否有幫助，如果沒有幫助的特徵則直接剔除。最後留下11個最重要的特徵，用來建模分析。
3、建立模型。
數據處理了，接下來是通過機器學習模型對數據進行訓練，然後得出預測結果。
這裏用了梯度提升和決策樹兩個算法，最終選recall最高的，博主測試後選擇了梯度提升算法。
算法具體使用操作方法如下：
4、預測世界盃比賽。
搭建好模型，就可以把世界比賽的對陣數據放到模型裏進行預測。最終算出來小組賽、十六強賽、八強賽、四強賽、總決賽的得分情況。
從目前看，預測結果其實還是複製歷史經驗，小組出線情況基本和世界排名情況一致，沒有超乎人的經驗範圍。對於黑馬、黑天鵝並沒有什麼預測能力。
其他預測結果就不一一展示了，哦，最後好像預測是巴西奪冠概率較大。
總之，AI預測世界盃其實是對歷史數據的歸納總結，而且完全依賴數據的餵養，能給出相對概率。
這和人的直覺一樣，你覺得巴西會奪冠，肯定有一些過往的事實驗證了你的直覺，不然就是瞎猜了。