Utilización de herramientas de machine learning para analizar parámetros físicos en deportistas profesionales

Abstract

[spa] El análisis de datos deportivos es cada vez más común en los deportes, más en concreto en el ámbito profesional. Con la avance de la tecnología, cada vez son más las técnicas que se utilizan para analizar e interpretar los datos. En este trabajo se utilizan diferentes técnicas de aprendizaje automático para relacionar la posición de los futbolistas, con sus parámetros físicos y su edad. Para ello, se analizan 14 parámetros físicos de un total de 560 jugadores de la Serie A de Ecuador durante las temporadas 2021, 2022 y 2023. Antes de aplicar los diferentes algoritmos, los datos se procesan y se filtran. Primero se utilizan diferentes técnicas de aprendizaje no supervisado. Se realiza un Análisis de Componentes Principales (PCA) y posteriormente se aplica un algoritmo de Clustering para intentar encontrar diferentes patrones en los datos. Después pasarán a utilizarse algoritmos de aprendizaje supervisado. En esta sección se intentarán encontrar relaciones más concretas entre los datos que tenemos y ver cuales son las características que más se relacionan con cada posición utilizando redes neuronales. Para finalizar, se intentará ajustar el comportamiento de algunas variables a un modelo lineal para las distintas posiciones

[cat] L’anàlisi de dades esportives és cada vegada més comú en els esports, més concretament en l’àmbit professional. Amb l’avanç de la tecnologia, cada vegada són més les tècniques que s’utilitzen per analitzar i interpretar les dades. En aquest treball s’utilitzen diferents tècniques d’aprenentatge automàtic per relacionar la posició dels futbolistes amb els seus paràmetres físics i la seva edat. Per a això, s’analitzen 14 paràmetres físics d’un total de 560 jugadors de la Sèrie A d’Equador durant les temporades 2021, 2022 i 2023. Abans d’aplicar els diferents algorismes, es processen i es filtren les dades. Primer s’utilitzen diferents tècniques d’aprenentatge no supervisat. Es realitza una Anàlisi de Components Principals (PCA) i posteriorment s’aplica un algorisme de Clustering per intentar trobar diferents patrons en les dades. Després s’utilitzaran algorismes d’aprenentatge supervisat. En aquesta secció s’intenten trobar relacions més concretes entre les dades que tenim i veure quines són les característiques que més es relacionen amb cada posició utilitzant xarxes neuronals. Finalment, s’intentarà ajustar el comportament d’algunes variables a un model lineal per a les diferents posicions

[eng] Sports data analysis is becoming increasingly common in sports, particularly in the professional field. With the advancement of technology, more techniques are being used to analyze and interpret data. This study employs various machine learning techniques to relate football players’ positions with their physical parameters and age. For this purpose, 14 physical parameters of a total of 560 players from the Ecuadorian Serie A were analyzed during the 2021, 2022, and 2023 seasons. Before applying different algorithms, the data is processed and filtered. First, various unsupervised learning techniques are used. A Principal Component Analysis (PCA) is performed, followed by a clustering algorithm to identify different patterns in the data. Then, supervised learning algorithms are applied to find more specific relationships between the data and determine which characteristics are most related to each position using neural networks. Finally, we attempt to fit the behavior of some variables to different linear models for the various positions