Orta Saha Oyuncularının Performansının PCA ve Kümeleme Yöntemleriyle İncelenmesi

Abstract

Bu tez, futbolcu performans metrikleri üzerinde Temel Bileşen Analizi (PCA) ve kümeleme tekniklerini uygulayarak orta saha oyuncularının beceri kalıplarını incelemektedir. Veri seti, son takvim yılı içinde dünya genelindeki çeşitli liglerden Türk oyuncular ve Türk liglerinde oynayan yabancı ve yerli oyuncular dahil olmak üzere, düzenli olarak orta saha rolünde oynayan veya oynayabilen 318 oyuncudan oluşmaktadır. Savunma yetenekleri, hücum katkıları ve pas kalitesini kapsayan 60 metriğin kapsamlı bir analizi gerçekleştirilmiştir. PCA, veri boyutunu azaltmak ve önemli değişkenliği korumak için kullanılarak, performans kalıplarını ortaya çıkarmıştır. Elbow metodu, K-means kümeleme için optimal küme sayısını belirlemiş ve dört farklı oyuncu kümesi elde edilmiştir. Bu kümeler, çeşitli beceri setlerini ve taktiksel rolleri vurgulayarak, yerli ve yabancı oyuncular arasında ayrıntılı bir karşılaştırma yapılmasını sağlamaktadır. Bulgular, kulüplerin dengeli hücum ve savunma becerilerine sahip çok yönlü oyuncuları dikkate almaları gerektiğini vurgulayarak, oyuncu keşfi ve alımı için stratejik çıkarımlar önermektedir. Bu çalışma, futbolda veri odaklı yaklaşımların önemini vurgulayarak, ileri istatistiksel teknikler aracılığıyla oyuncu performansını ve takım etkinliğini optimize etmek için içgörüler sunmaktadır. Futbol analitiklerinde PCA ve kümeleme entegrasyonu, orta saha oyuncusu performansını anlamak ve geliştirmek için sağlam bir çerçeve sağlayarak, transfer ve taktiksel yerleşimlerde daha bilinçli kararlar alınmasına katkıda bulunmaktadır.This thesis investigates the performance metrics of midfield players using Principal Component Analysis (PCA) and clustering techniques to identify distinct skill patterns. The dataset comprises 318 players who regularly play or can play in a midfield role, including both Turkish players from various leagues worldwide and domestic and foreign players in Turkish leagues over the last calendar year. A comprehensive analysis of 60 metrics covering defensive capabilities, attacking contributions, and passing quality was conducted. PCA was employed to reduce data dimensionality while retaining significant variability, revealing underlying performance patterns. The Elbow method determined the optimal number of clusters for K-means clustering, resulting in four distinct player clusters. These clusters highlight various skill sets and tactical roles, facilitating a nuanced comparison between domestic and foreign players. The findings suggest strategic implications for player scouting and recruitment, emphasizing the need for clubs to consider versatile players with balanced offensive and defensive skills. This study underscores the importance of data-driven approaches in football, offering insights into optimizing player performance and team effectiveness through advanced statistical techniques. The integration of PCA and clustering in football analytics provides a robust framework for understanding and enhancing midfield player performance, contributing to more informed decision-making in recruitment and tactical deployments.