머신러닝을 활용한 축구 선수 플레이 스타일 분류 모델 개발 = Development of Soccer Players' Playing Styles Classification Models Using Machine Learning

국문 초록 (Abstract)

본 연구에서는 축구 선수 경기 기록 데이터를 기반으로 머신러닝을 활용하여 축구 선수 플레이 스타일을 정량적으로 예측하기 위한 분류 모델을 개발하였다. 축구 통계 사이트인 FBref에서 제공하는 선수별 경기 기록 데이터를 수집하여 연구에 활용하였다. 수집한 데이터로 군집 분석을 수행하여 축구 포지션별 플레이 스타일에 따른 선수 유형을 분류하였으며, 소프트 클러스터링 기법인 퍼지 C-평균(Fuzzy C-Means, FCM)을 적용하여 선수가 가진 다양한 플레이 스타일을 반영하였다. 도출된 군집 분석 결과를 바탕으로 플레이 스타일 유형을 라벨링한 후, 다중 레이블 분류 방법으로 Random Forest, Logistic Regression, Gradient Boosting, XGBoost, LightGBM 모델에 학습시켜 포지션별 각 모델의 예측 성능을 비교하였다. 그 결과, XGBoost 모델이 0.93 이상의 Macro F1-Score를 기록하며 가장 우수한 예측 성능을 보였다. 또한 SHAP(SHapley Additive exPlanations) 그래프를 통해 변수 중요도 및 변수와 플레이 스타일 간 상관관계를 분석하여, 플레이 스타일을 결정짓는 주요 변수를 파악하고 모델의 해석력을 높였다. 해당 모델은 기존의 주관적 평가에 의존하는 선수의 플레이 스타일을 정량적으로 설명하는 데 기여하고, 선수 스카우팅, 전술 수립과 같은 의사 결정 과정에서 유용한 정보를 제공할 수 있을 것으로 기대된다.

다국어 초록 (Multilingual Abstract)

This study developed classification models to quantitatively predict soccer players' playing styles using machine learning based on match log data. Match log data for each player provided by FBref, a soccer statistics website, were collected and used in the study. Cluster analysis was conducted on the collected data to classify player types by playing style for each soccer position, and a soft clustering method, Fuzzy C-Means (FCM), was applied to reflect the diverse playing styles of the players. Based on the derived results of the cluster analysis, playing style types were labeled, Random Forest, Logistic Regression, Gradient Boosting, XGBoost, and LightGBM models were trained employing a multi-label classification method, and the predictive performance of each model was compared by position. As a result, the XGBoost model demonstrated the best predictive performance, achieving the Macro F1-Score of over 0.93. In addition, using SHAP (SHapley Additive exPlanations) plots, feature importance and the correlations between features and playing styles were analyzed to identify the key factors determining playing styles and to enhance the interpretability of the model. This model contributes to quantitatively explaining players' playing styles, which have relied on subjective evaluations, and is expected to provide useful information in decision-making processes such as player scouting and tactical planning.