🔥Pau Cubarsí: ¿Quiénes son sus dobles en el fútbol? El Big Data dice Diego Carlos y Milan Skriniar ⚽

"¡Descubre a los gemelos futbolísticos de Pau Cubarsí según el Big Data! En nuestro último vídeo, revelamos cómo la inteligencia artificial identificó a los jugadores más similares a Pau Cubarsí: Diego Carlos, del Aston Villa, y Milan Skriniar, del PSG. Ahora, en este episodio, analizamos en detalle las estadísticas clave que hacen que estos tres defensores se asemejen tanto, desde su precisión en pases hasta su impacto en el juego ofensivo.
🔍 En esta comparativa detallada, exploramos sus perfiles estadísticos utilizando gráficos de radar y barras apiladas, desvelando sus similitudes y diferencias en áreas como construcción de juego, duelos ganados y contribución ofensiva.
📈 A través de imágenes a alta velocidad y análisis profundo, desglosamos cómo Pau, Diego Carlos y Skriniar destacan en diferentes aspectos del juego, desde la precisión en el pase hasta su desempeño en duelos físicos.
🎥 No te pierdas este análisis exhaustivo si eres un apasionado del fútbol y quieres comprender el juego a un nivel más profundo. ¡Suscríbete y únete a nosotros mientras exploramos las habilidades únicas de estos destacados defensores!"
📊 Además, para determinar con precisión cuáles son los jugadores más similares a Pau Cubarsí, llevamos a cabo un exhaustivo análisis utilizando técnicas avanzadas de aprendizaje automático. Esto implicó una cuidadosa selección de variables basada en la importancia para predecir los puntos por partido de un jugador, evaluando tanto el coeficiente de correlación como la importancia de características mediante algoritmos de bosques aleatorios. A partir de esta selección, calculamos una tabla de distancias utilizando la métrica de distancia del coseno, comparando las características de Cubarsí con las de otros jugadores de las grandes ligas. Los resultados revelaron de manera contundente que Diego Carlos y Milan Skriniar son los dos jugadores más parecidos a Pau Cubarsí en el mundo del fútbol profesional. Este análisis detallado proporciona una sólida base para comprender mejor las similitudes y diferencias entre estos destacados defensores. ¡No te pierdas los detalles en nuestro vídeo y únete a la conversación!
La distancia del coseno es particularmente adecuada para comparar futbolistas debido a la naturaleza de los datos que se están analizando y a las características específicas del juego. Aquí hay algunas razones por las que la distancia del coseno puede ser preferible sobre otras medidas de distancia, como la euclidiana:
Independencia de la magnitud: La distancia del coseno mide la similitud entre dos vectores basándose únicamente en la dirección, no en la magnitud de los vectores. En el contexto del análisis de futbolistas, esto es beneficioso porque las magnitudes de las estadísticas de los jugadores pueden variar considerablemente (por ejemplo, un jugador puede tener más pases completados que otro debido a diferentes roles en el equipo), pero aún así pueden ser similares en términos de estilo de juego o posición en el campo. La distancia del coseno permite capturar esta similitud independientemente de las diferencias en las magnitudes de las estadísticas.
Enfoque en la orientación: La distancia del coseno se basa en la orientación de los vectores en un espacio multidimensional. En el contexto del fútbol, esto es útil porque enfoca la comparación en la dirección de las estadísticas de los jugadores en lugar de su distancia física en el espacio estadístico. Esto es relevante ya que dos jugadores pueden tener perfiles estadísticos similares pero con valores numéricos diferentes, lo que la distancia euclidiana no capturaría adecuadamente.
Menor sensibilidad a la dimensionalidad: En comparación con la distancia euclidiana, la distancia del coseno es menos sensible a la dimensionalidad de los datos. En el análisis de futbolistas, donde se pueden considerar numerosas estadísticas para caracterizar su desempeño, la distancia del coseno puede ser más robusta y eficaz para comparar jugadores en espacios de alta dimensionalidad.
En resumen, la distancia del coseno es una medida de similitud que se adapta bien al análisis de futbolistas debido a su capacidad para comparar perfiles estadísticos en términos de orientación y estilo de juego, independientemente de las diferencias en las magnitudes de las estadísticas y la dimensionalidad de los datos. Más sobre Big Data y fútbol en:
@PedroElIngeniero
@LanusStats
@

[@ikerr455]

Muy buen video, podrias hacer otro sobre la posición de medio centro defensivo? Soy del barca y querria ver como Andreas Christensen ha mejorado al barca y en el mercado que jugadores podrian beneficiar al barca (jugadores parecidos a Busquets)

[@bigdatafutbol]

Gracias por comentar! Me pongo con ello. Va a pasar un poco como con Cubarsi, que el número de partidos y minutos no es muy alto, y habrá que ver su evolución estadística. Pero si te puedo adelantar que Christensen lideraba las estadísticas de % de pases correctos antes de ser pivote en la liga, y también de los primeros en las 5 grandes. Lo que pasa es que en los centrales esto es normal, porque la mayoría de sus pases son de seguridad. Hay que ver pases que rompen líneas, recuperaciones en campo contrario, etc atento al canal que me pongo con ello

[@ikerr455]

Y en el mercado que perfiles crees que le podrian interesar al barca para el pivote?

[@bigdatafutbol]

@@ikerr455 vamos a ver lo que dice el BigData.... Hay que tener en cuenta la situación económica, y a lo que diga la IA aplicarle un factor corrector según la calidad de la liga en la que juegue... En la liga holandesa o francesa a lo mejor hay buenos candidatos, pero no son las mismas ligas. El merito está en descubrir jugadores como Pau o Gabi, y ponerlos. Fichar a Rodri lo haría cualquiera. Cuando haga el análisis lo público.