When interpretable machine learning meets the beautiful game: a predictive analytics approach to soccer player valuation in the transfer market
Notice bibliographique
Résumé
Purpose The purpose of our research is to ascertain the key drivers of professional soccer player valuation in the transfer market. Design/methodology/approach Drawing on sports economics, finance and management literature, we connect data-driven approaches to player valuation in the context of organizational decision-making. We evaluate the performance of four predictive models using over 800 real-world transfer fee records and extensive features in the “Big Five” leagues from seasons 2017–2018 to 2019–2020. Subsequently, we leverage Shapley Additive Explanations (SHAP) values, an interpretable machine learning (ML) technique, to identify important features and quantify their contributions to transfer fees. Findings A few fundamental human capital factors (e.g. age) and labor market variables (e.g. contract remaining) emerge as the key value drivers, outweighing technical capabilities (e.g. goal-scoring). Sport-general features (e.g. composure and reaction) hold greater predictive power than soccer-specific skills (e.g. dribbling). Originality/value Our research enhances the explainability and transparency of a reasonably accurate player valuation model in two ways. First, we utilize a rich set of interpretable, fine-grained player features. Second and more importantly, SHAP values allow us to deconstruct player valuation and provide economic interpretations of feature importance at both individual and aggregate levels. We also outline the practical implications of adopting interpretable ML in sports organization decision-making.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».