Skip to content

README.md

Latest commit

 

History

History
109 lines (72 loc) · 3.46 KB

README.md

File metadata and controls

109 lines (72 loc) · 3.46 KB
Raw

Objetivo do Projeto

Este notebook realiza análise e predição de séries temporais usando dados de partidas internacionais de futebol, implementando três modelos diferentes:

  1. Prophet (Facebook)
  2. Sktime (AutoARIMA)
  3. LSTM (Long Short-Term Memory)

Dataset

International Football Results from 1872 to 2025

🔗 Link do Kaggle: https://www.kaggle.com/datasets/martj42/international-football-results-from-1872-to-2017

Este dataset contém mais de 47.000 resultados de partidas internacionais de futebol.

Como Usar

Passo 1: Download do Dataset

  1. Acesse o link do Kaggle acima
  2. Faça login (ou crie uma conta)
  3. Clique em "Download" para baixar o arquivo results.csv
  4. Coloque o arquivo na mesma pasta do notebook

Passo 2: Instalação das Dependências

O notebook instalará automaticamente todas as bibliotecas necessárias:

pip install prophet sktime pmdarima tensorflow scikit-learn pandas numpy matplotlib seaborn opendatasets

Passo 3: Executar o Notebook

Abra o notebook football_time_series_analysis.ipynb e execute todas as células sequencialmente.

Estrutura do Notebook

  1. Instalação e Importação de Bibliotecas
  2. Download e Carregamento dos Dados
  3. Análise Exploratória e Preparação
  4. Divisão Train/Test (80/20)
  5. Modelo 1: Prophet
  6. Modelo 2: Sktime (AutoARIMA)
  7. Modelo 3: LSTM
  8. Comparação de Modelos e Métricas
  9. Visualização Comparativa
  10. Conclusões

Métricas de Avaliação

O notebook utiliza três métricas principais:

  • MAE (Mean Absolute Error): Erro médio absoluto
  • RMSE (Root Mean Squared Error): Raiz do erro quadrático médio
  • MAPE (Mean Absolute Percentage Error): Erro percentual absoluto médio

Justificativa das Métricas

Segundo Hyndman & Athanasopoulos (2018) em "Forecasting: Principles and Practice":

  • MAE é robusto a outliers e fácil de interpretar
  • RMSE penaliza mais erros grandes
  • MAPE permite comparação entre diferentes escalas

Referência: Hyndman, R.J., & Athanasopoulos, G. (2018) Forecasting: principles and practice, 2nd edition, OTexts: Melbourne, Australia. OTexts.com/fpp2

Requisitos

  • Python 3.8+
  • Jupyter Notebook ou Google Colab
  • 4GB+ de RAM recomendado
  • Conexão com internet (para instalação de pacotes)

Resultados Esperados

O notebook gera:

  • Análise exploratória dos dados
  • Gráficos de séries temporais
  • Predições de três modelos diferentes
  • Comparação quantitativa com métricas de erro
  • Visualizações comparativas

🐛 Troubleshooting

Erro ao carregar dados

Se você receber um erro FileNotFoundError:

  • Certifique-se de que o arquivo results.csv está na mesma pasta do notebook
  • Verifique se o nome do arquivo está correto

Erro de memória

Se o notebook travar por falta de memória:

  • Reduza o tamanho do dataset filtrando por anos mais recentes
  • Use Google Colab que oferece mais RAM gratuitamente

Problemas com Prophet

Prophet pode dar warnings sobre sazonalidade. Isso é normal e não afeta os resultados.

📚 Referências Bibliográficas

  1. Hyndman, R.J., & Athanasopoulos, G. (2018) Forecasting: principles and practice, 2nd edition
  2. Taylor, S.J., & Letham, B. (2018). Forecasting at scale. The American Statistician
  3. Löning, M., et al. (2019). sktime: A Unified Interface for Machine Learning with Time Series
  4. Hochreiter, S., & Schmidhuber, J. (1997). Long short-term memory. Neural computation