Predição da efetividade da substituição no futebol: caso campeonato Brasileiro da Série A

Substituições são recursos importantes para os técnicos de futebol para melhorar o desempenho de suas equipes durante as partidas. Também podem ser cruciais para o resultado final. A relevância e limitação das substituições em jogos oficiais levaram a vários estudos para identificar a melhor maneira de substituir um jogador, ou seja, o melhor momento durante o jogo e a melhor estratégia. Aprendizado de máquina vem sendo aplicado para construir modelos para melhorar a efetividade das substituições. Neste contexto, este trabalho visa propor a criação de modelos que auxiliem os técnicos das equipes visitantes em escolher o melhor momento e estratégia para realizar a substituição. Foi utilizado um conjunto de dados extraído de quatro edições do Campeonato Brasileiro da Série A (2015-2018), e, a partir deste conjunto, foram extraídos e propostos atributos para a construção do modelo (e.g., a força do time). Quatro classificadores foram avaliados: Support Vector Machine, Árvores de Decisão, Random Forest e K-Nearest Neighbor. Os resultados mostram que os modelos podem atingir até 90% de F1 -Score, ou seja, podem ser promissores para a análise dos melhores momento e estratégia para substituir um jogador.