Denetimli Makine Öğrenme Yöntemleri ile Genç Futbol Oyuncularının Potansiyel Performanslarının Modellenmesi ve Tahmini

---

Tezin Türü: Yüksek Lisans

Tezin Yürütüldüğü Kurum: Dokuz Eylül Üniversitesi, Fen Fakültesi, İstatistik Bölümü, Türkiye

Tezin Onay Tarihi: 2025

Tezin Dili: Türkçe

Öğrenci: Burak Al

Danışman: Özlem Ege Oruç

Özet:

ÖZET

Futbol, yalnızca sportif bir rekabet alanı olmanın ötesinde, günümüzde küresel ölçekte ekonomik, sosyo-kültürel ve ticari bir endüstri haline gelmiştir. Rekabetin yoğun olduğu bu ortamda, kulüplerin uzun vadeli başarı ve sürdürülebilirlik hedefleri doğrultusunda veri temelli stratejiler geliştirmesi kritik önem taşımaktadır. Son yıllarda veri bilimi, futbol endüstrisinde oyuncu performans analizi, yetenek keşfi ve transfer politikalarının şekillendirilmesinde güçlü bir karar destek aracı olarak öne çıkmaktadır.

Bu çalışmada, Football Manager 2023 veri tabanından elde edilen 360 profesyonel genç futbolcuya ait teknik, fiziksel ve zihinsel özellikler kullanılarak oyuncu potansiyel aralıklarının tahmin edilmesi amaçlanmıştır. Bu doğrultuda, denetimli makine öğrenimi yaklaşımlarından Support Vector Machine, Random Forest, XGBoost ve K-Nearest Neighbors algoritmaları uygulanmış; modellerin başarımı Doğruluk (Accuracy), Kappa ve %95 CI metrikleri üzerinden karşılaştırmalı olarak değerlendirilmiştir.

Elde edilen bulgular, Random Forest algoritmasının %87.85 doğruluk oranıyla en yüksek performansı sergilediğini ortaya koymuştur. Özellik önem sıralamaları, teknik beceri, çeviklik ve hız gibi değişkenlerin oyuncu potansiyelinin belirlenmesinde kritik rol oynadığını göstermektedir. Çalışma, futbol kulüplerinin genç yeteneklerin tespitinde ve transfer stratejilerinin planlanmasında veri bilimi tabanlı sistemlerin sağlayabileceği stratejik avantajları vurgulamaktadır.

 

Anahtar kelimeler: Futbol, Makine öğrenmesi, Rassal ormanlar, XGBoost, K-en yakın komşu, Destek vektör makineleri