Futbolcunun değerini covıd-19'un oyuncunun piyasa değerine etkisi ile tahmin etme

Covid-19 pandemisinin eşi benzeri görülmemiş başlangıcı, futbolun da aralarında olduğu sayısız endüstriyi dünya genelinde etkisi altına aldı. Bu küresel sağlık krizi, normalliğin sorgulandığı ve sosyo-kültürel yapıların değiştirildiği yeni bir dönemi başlattı ve bu, futbol üzerinde hem bir spor hem de bir endüstri olarak derin etkiler yarattı. Ekonomik ve kültürel kavşaklarda bulunan futbol, birçok değişiklik gördü, bunların en belirgini oyuncu değerlemelerindeki etkisiydi. Pandemi, hayatı durma noktasına getirdi, toplumları etkisi altına alarak onları izolasyona zorladı. Bu ani duruş, futbol oyuncuları üzerinde bir dalga etkisi yaratarak kaygı, gerginlik ve belirsizlik duygularını arttırdı, böylece psikososyal dinamiklerini değiştirdi. Sonuç olarak, bu psikolojik durumdaki değişiklik, düzenli futbol aktivitelerinin kesilmesiyle birleşerek bu atletlerin piyasa fiyatlarında dalgalanmalara neden oldu. Oyuncu fiyatlarını ölçmek için bir zamanlar güvenilen geleneksel yaklaşımlar ve metodolojiler, özellikle beş büyük Avrupa futbol ligi (İngiliz, İspanyol, İtalyan, Alman ve Fransız) için, bu pandemi kaynaklı zorluklar karşısında eskiyip kullanılmaz hale geldi. Dolayısıyla, bu çalışma, bir regresyon problemi üzerinde beş makine öğrenimi algoritmasının - Lineer Regresyon, Lasso Regresyonu, Rastgele Orman, Gradyan Artırma ve K-En Yakın Komşular - performans değerlendirmesini sunmaktadır. Kullanılan değerlendirme metrikleri Ortalama Mutlak Hata (MAE), Kök Ortalama Mutlak Hata (RMAE) ve R-kare (R2)'dir. Lineer Regresyon, yüksek bir R2 puanı olan 0.97'yi göstermekle birlikte MAE ve RMAE'de yetersiz kalıyor. Lasso Regresyon, 0.99'luk bir R2 ile öne çıksa da, olası aşırı uyuma işaret eden en yüksek tahmin hatalarını sergiliyor. Rastgele Orman, 0.91'lik bir R2 ile dengeli bir sonuç sağlarken, ortalama hatalarla sonuçlanıyor. Gradyan Artırma, tahmin doğruluğu açısından öne çıkar ve 0.90'lık bir R2'ye rağmen en küçük MAE ve RMAE'ye sahiptir. Bu arada, K-En Yakın Komşular Lineer Regresyon'un performansını yansıtıyor. Çalışma, Gradyan Artırma'nın MAE ve RMAE'ye dayalı tahminler için en doğru olabileceğini öne sürmektedir. Ancak, ideal model seçimi, varyansı açıklamayı önceliklendiren veya tahmin hatalarını en aza indirgeyen regresyon probleminin özel amaçlarına bağlıdır.