{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:5314115"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:5314115","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Μοντελοποίηση και Ανάλυση Ποδοσφαιρικών Δεδομένων με Μεθόδους Μηχανικής Μάθησης","abstract":"Η παρούσα διπλωματική εργασία διερευνά την εφαρμογή τεχνικών μηχανικής μάθησης για την πρόβλεψη αποτελέσματος ποδοσφαιρικού αγώνα, το οποίο ταξινομείται σε τρεις πιθανές κατηγορίες, την επικράτηση του γηπεδούχου, την ισοπαλία και την νίκη του φιλοξενούμενου. Το κίνητρο έγκειται στην αυξανόμενη ζήτηση ακριβών εργαλείων πρόβλεψης στην αθλητική ανάλυση όπου το αποτέλεσμα του αγώνα επηρεάζεται από πολυάριθμους και περίπλοκους παράγοντες. Αρχικά αναφέρονται οι αλγόριθμοι σε θεωρητικό επίπεδο και στην συνέχεια, με την χρήση ενός συνόλου δεδομένων, το οποίο περιέχει απλά και προηγμένα στατιστικά στοιχεία ποδοσφαιρικών παιχνιδιών, η παρούσα εργασία συγκρίνει την απόδοση έξι μοντέλων διαφορετικών αλγορίθμων. Οι αλγόριθμοι αυτοί είναι ο Decision Tree, ο Random Forest, ο Naïve Bayes , ο k-Nearest Neighbors, Support Vector Machine και ο Extreme Gradient Boosting, οι οποίοι αξιολογούνται χρησιμοποιώντας cross-validation για την επιλογή των βέλτιστων παραμέτρων ρύθμισής τους. Στην συνέχεια, αφού επιλέγεται ο καταλληλότερος συνδυασμός το κάθε μοντέλο επανεκπαιδεύεται και αξιολογείται μέσω των συνολικών μετρήσεων απόδοσης, Accuracy, AUC και F1-Score, αλλά και μέσω των μετρήσεων που επικεντρώνονται στις κλάσεις Recall και Precision. Για τον καλύτερο χειρισμό των υποεκπροσωπούμενων κατηγοριών εφαρμόζεται η event rate μέθοδος προσαρμογής πιθανότητας για την επιλογή της κλάσης. Τα αποτελέσματα δείχνουν ότι το μοντέλο XGBoost πέτυχε την υψηλότερη απόδοση σε όλες τις συνολικές μετρήσεις υποδεικνύοντας την αποτελεσματικότητά του στα multiclass προβλήματα πρόβλεψης του τελικού αποτελέσματος ενός ποδοσφαιρικού αγώνα. Η παρούσα εργασία συμβάλει στην μελέτη της ανάλυσης των classifiers μηχανικής μάθησης για τον προσδιορισμό του τελικού αποτελέσματος αθλημάτων και παρέχει ένα πλαίσιο για πιθανές μελλοντικές βελτιώσεις στην ποδοσφαιρική ανάλυση.","abstract_html":"Η παρούσα διπλωματική εργασία διερευνά την εφαρμογή τεχνικών μηχανικής μάθησης για την πρόβλεψη αποτελέσματος ποδοσφαιρικού αγώνα, το οποίο ταξινομείται σε τρεις πιθανές κατηγορίες, την επικράτηση του γηπεδούχου, την ισοπαλία και την νίκη του φιλοξενούμενου. Το κίνητρο έγκειται στην αυξανόμενη ζήτηση ακριβών εργαλείων πρόβλεψης στην αθλητική ανάλυση όπου το αποτέλεσμα του αγώνα επηρεάζεται από πολυάριθμους και περίπλοκους παράγοντες. Αρχικά αναφέρονται οι αλγόριθμοι σε θεωρητικό επίπεδο και στην συνέχεια, με την χρήση ενός συνόλου δεδομένων, το οποίο περιέχει απλά και προηγμένα στατιστικά στοιχεία ποδοσφαιρικών παιχνιδιών, η παρούσα εργασία συγκρίνει την απόδοση έξι μοντέλων διαφορετικών αλγορίθμων. Οι αλγόριθμοι αυτοί είναι ο Decision Tree, ο Random Forest, ο Naïve Bayes , ο k-Nearest Neighbors, Support Vector Machine και ο Extreme Gradient Boosting, οι οποίοι αξιολογούνται χρησιμοποιώντας cross-validation για την επιλογή των βέλτιστων παραμέτρων ρύθμισής τους. Στην συνέχεια, αφού επιλέγεται ο καταλληλότερος συνδυασμός το κάθε μοντέλο επανεκπαιδεύεται και αξιολογείται μέσω των συνολικών μετρήσεων απόδοσης, Accuracy, AUC και F1-Score, αλλά και μέσω των μετρήσεων που επικεντρώνονται στις κλάσεις Recall και Precision. Για τον καλύτερο χειρισμό των υποεκπροσωπούμενων κατηγοριών εφαρμόζεται η event rate μέθοδος προσαρμογής πιθανότητας για την επιλογή της κλάσης. Τα αποτελέσματα δείχνουν ότι το μοντέλο XGBoost πέτυχε την υψηλότερη απόδοση σε όλες τις συνολικές μετρήσεις υποδεικνύοντας την αποτελεσματικότητά του στα multiclass προβλήματα πρόβλεψης του τελικού αποτελέσματος ενός ποδοσφαιρικού αγώνα. Η παρούσα εργασία συμβάλει στην μελέτη της ανάλυσης των classifiers μηχανικής μάθησης για τον προσδιορισμό του τελικού αποτελέσματος αθλημάτων και παρέχει ένα πλαίσιο για πιθανές μελλοντικές βελτιώσεις στην ποδοσφαιρική ανάλυση.","abstract_has_math":false,"creators":["ΠΑΠΑΝΙΚΟΛΑΟΥ ΚΩΝΣΤΑΝΤΙΝΟΣ","PAPANIKOLAOU KONSTANTINOS"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2025,"date_issued":"2025","date_published":"2025","updated_at":"2026-11-19T06:40:56Z","subjects":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5314115"],"render_values":[{"text":"uoadl:5314115","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5314115","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5314115","record_label":"Repository record","record_kind":"record","record_source":"dc:identifier","download_url":null,"download_label":null,"download_source":null,"access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh?verb=GetRecord&metadataPrefix=oai_dc&identifier=oai%3Alib.uoa.gr%3Auoadl%3A5314115","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["ΠΑΠΑΝΙΚΟΛΑΟΥ ΚΩΝΣΤΑΝΤΙΝΟΣ","PAPANIKOLAOU KONSTANTINOS"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2025"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Τεχνολογία – Πληροφορική","Technology - Computer science"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["Ελληνικά","Greek"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5314115","https://pergamos.lib.uoa.gr/uoa/dl/object/5314115"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Η παρούσα διπλωματική εργασία διερευνά την εφαρμογή τεχνικών μηχανικής μάθησης για την πρόβλεψη αποτελέσματος ποδοσφαιρικού αγώνα, το οποίο ταξινομείται σε τρεις πιθανές κατηγορίες, την επικράτηση του γηπεδούχου, την ισοπαλία και την νίκη του φιλοξενούμενου. Το κίνητρο έγκειται στην αυξανόμενη ζήτηση ακριβών εργαλείων πρόβλεψης στην αθλητική ανάλυση όπου το αποτέλεσμα του αγώνα επηρεάζεται από πολυάριθμους και περίπλοκους παράγοντες. Αρχικά αναφέρονται οι αλγόριθμοι σε θεωρητικό επίπεδο και στην συνέχεια, με την χρήση ενός συνόλου δεδομένων, το οποίο περιέχει απλά και προηγμένα στατιστικά στοιχεία ποδοσφαιρικών παιχνιδιών, η παρούσα εργασία συγκρίνει την απόδοση έξι μοντέλων διαφορετικών αλγορίθμων. Οι αλγόριθμοι αυτοί είναι ο Decision Tree, ο Random Forest, ο Naïve Bayes , ο k-Nearest Neighbors, Support Vector Machine και ο Extreme Gradient Boosting, οι οποίοι αξιολογούνται χρησιμοποιώντας cross-validation για την επιλογή των βέλτιστων παραμέτρων ρύθμισής τους. Στην συνέχεια, αφού επιλέγεται ο καταλληλότερος συνδυασμός το κάθε μοντέλο επανεκπαιδεύεται και αξιολογείται μέσω των συνολικών μετρήσεων απόδοσης, Accuracy, AUC και F1-Score, αλλά και μέσω των μετρήσεων που επικεντρώνονται στις κλάσεις Recall και Precision. Για τον καλύτερο χειρισμό των υποεκπροσωπούμενων κατηγοριών εφαρμόζεται η event rate μέθοδος προσαρμογής πιθανότητας για την επιλογή της κλάσης. Τα αποτελέσματα δείχνουν ότι το μοντέλο XGBoost πέτυχε την υψηλότερη απόδοση σε όλες τις συνολικές μετρήσεις υποδεικνύοντας την αποτελεσματικότητά του στα multiclass προβλήματα πρόβλεψης του τελικού αποτελέσματος ενός ποδοσφαιρικού αγώνα. Η παρούσα εργασία συμβάλει στην μελέτη της ανάλυσης των classifiers μηχανικής μάθησης για τον προσδιορισμό του τελικού αποτελέσματος αθλημάτων και παρέχει ένα πλαίσιο για πιθανές μελλοντικές βελτιώσεις στην ποδοσφαιρική ανάλυση.","This thesis investigates the application of machine learning techniques for predicting the outcome of a football match, which is classified into three possible categories, the home team winning, the draw and the away team winning. The motivation lies in the increasing demand for accurate prediction tools in sports analytics where the outcome of the match is influenced by numerous and complex factors. Algorithms are first reported at a theoretical level and then, using a dataset containing simple and advanced football game statistics, this paper compares the performance of six models of different algorithms. These algorithms are Decision Tree, Random Forest, Naïve Bayes , k-Nearest Neighbors, Support Vector Machine and Extreme Gradient Boosting, which are evaluated using cross-validation to select the optimal tuning parameters. Then, once the most suitable combination is selected each model is retrained and evaluated through the overall performance metrics, Accuracy, AUC and F1-Score, and also through metrics focusing on the classes, Recall and Precision. To better handle underrepresented classes, the event rate probability adjustment method is applied for class selection. The results show that the XGBoost model achieved the highest performance on all the overall metrics indicating its effectiveness in the multiclass problems of predicting the final outcome of a football match. This paper contributes to the study of machine learning classifiers for determining the final outcome of sports and provides a framework for possible future improvements in football analysis."]},{"key":"dc:title","label":"Title","values":["Μοντελοποίηση και Ανάλυση Ποδοσφαιρικών Δεδομένων με Μεθόδους Μηχανικής Μάθησης"]}]}],"canonical_facts":{"dc:creator":["ΠΑΠΑΝΙΚΟΛΑΟΥ ΚΩΝΣΤΑΝΤΙΝΟΣ","PAPANIKOLAOU KONSTANTINOS"],"dc:date":["2025"],"dc:description":["Η παρούσα διπλωματική εργασία διερευνά την εφαρμογή τεχνικών μηχανικής μάθησης για την πρόβλεψη αποτελέσματος ποδοσφαιρικού αγώνα, το οποίο ταξινομείται σε τρεις πιθανές κατηγορίες, την επικράτηση του γηπεδούχου, την ισοπαλία και την νίκη του φιλοξενούμενου. Το κίνητρο έγκειται στην αυξανόμενη ζήτηση ακριβών εργαλείων πρόβλεψης στην αθλητική ανάλυση όπου το αποτέλεσμα του αγώνα επηρεάζεται από πολυάριθμους και περίπλοκους παράγοντες. Αρχικά αναφέρονται οι αλγόριθμοι σε θεωρητικό επίπεδο και στην συνέχεια, με την χρήση ενός συνόλου δεδομένων, το οποίο περιέχει απλά και προηγμένα στατιστικά στοιχεία ποδοσφαιρικών παιχνιδιών, η παρούσα εργασία συγκρίνει την απόδοση έξι μοντέλων διαφορετικών αλγορίθμων. Οι αλγόριθμοι αυτοί είναι ο Decision Tree, ο Random Forest, ο Naïve Bayes , ο k-Nearest Neighbors, Support Vector Machine και ο Extreme Gradient Boosting, οι οποίοι αξιολογούνται χρησιμοποιώντας cross-validation για την επιλογή των βέλτιστων παραμέτρων ρύθμισής τους. Στην συνέχεια, αφού επιλέγεται ο καταλληλότερος συνδυασμός το κάθε μοντέλο επανεκπαιδεύεται και αξιολογείται μέσω των συνολικών μετρήσεων απόδοσης, Accuracy, AUC και F1-Score, αλλά και μέσω των μετρήσεων που επικεντρώνονται στις κλάσεις Recall και Precision. Για τον καλύτερο χειρισμό των υποεκπροσωπούμενων κατηγοριών εφαρμόζεται η event rate μέθοδος προσαρμογής πιθανότητας για την επιλογή της κλάσης. Τα αποτελέσματα δείχνουν ότι το μοντέλο XGBoost πέτυχε την υψηλότερη απόδοση σε όλες τις συνολικές μετρήσεις υποδεικνύοντας την αποτελεσματικότητά του στα multiclass προβλήματα πρόβλεψης του τελικού αποτελέσματος ενός ποδοσφαιρικού αγώνα. Η παρούσα εργασία συμβάλει στην μελέτη της ανάλυσης των classifiers μηχανικής μάθησης για τον προσδιορισμό του τελικού αποτελέσματος αθλημάτων και παρέχει ένα πλαίσιο για πιθανές μελλοντικές βελτιώσεις στην ποδοσφαιρική ανάλυση.","This thesis investigates the application of machine learning techniques for predicting the outcome of a football match, which is classified into three possible categories, the home team winning, the draw and the away team winning. The motivation lies in the increasing demand for accurate prediction tools in sports analytics where the outcome of the match is influenced by numerous and complex factors. Algorithms are first reported at a theoretical level and then, using a dataset containing simple and advanced football game statistics, this paper compares the performance of six models of different algorithms. These algorithms are Decision Tree, Random Forest, Naïve Bayes , k-Nearest Neighbors, Support Vector Machine and Extreme Gradient Boosting, which are evaluated using cross-validation to select the optimal tuning parameters. Then, once the most suitable combination is selected each model is retrained and evaluated through the overall performance metrics, Accuracy, AUC and F1-Score, and also through metrics focusing on the classes, Recall and Precision. To better handle underrepresented classes, the event rate probability adjustment method is applied for class selection. The results show that the XGBoost model achieved the highest performance on all the overall metrics indicating its effectiveness in the multiclass problems of predicting the final outcome of a football match. This paper contributes to the study of machine learning classifiers for determining the final outcome of sports and provides a framework for possible future improvements in football analysis."],"dc:identifier":["uoadl:5314115","https://pergamos.lib.uoa.gr/uoa/dl/object/5314115"],"dc:language":["Ελληνικά","Greek"],"dc:subject":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"dc:title":["Μοντελοποίηση και Ανάλυση Ποδοσφαιρικών Δεδομένων με Μεθόδους Μηχανικής Μάθησης"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T06:40:56Z"}