【Python】人工知能(AI)で日本サッカーがイロレーティング1位になる日を予測

はじめに
- 日本サッカーとイロレーティングの関係
イロレーティング予測のコード全体
AIとイロレーティング予測のさらなる組み合わせ例
- 過去の大会結果を用いたトレンド分析
まとめ
- イロレーティング予測の振り返り
- 今後の展望

はじめに

日本サッカーとイロレーティングの関係

イロレーティングは、サッカーチームの強さを数値化する国際的なランキングシステムです。イロレーティングは、チーム間の試合結果を基に算出されるため、サッカーファンや関係者から注目されています。

日本サッカーは、近年国際的な舞台での活躍が目立ち、イロレーティングも上昇傾向にあります。特に、アジアカップの優勝やワールドカップでの良好な成績など、多くの実績がイロレーティングの順位を押し上げています。そんなサッカー日本代表が、イロレーティングで1位という頂点に立つ日はいつなのか、Pythonで予測してみましょう。

イロレーティング予測のコード全体

日本代表のイロレーティングの変遷

西暦	ランキング
2000	55
2001	21
2002	12
2003	21
2004	24
2005	16
2006	21
2007	53
2008	26
2009	25
2010	19
2011	22
2012	19
2013	18
2014	24
2015	27
2016	31
2017	23
2018	42
2019	35
2020	33
2021	32
2022	31
2023	14

日本代表のイロレーティングの変遷（引用：イロレーティング公式ページより）

必要なライブラリのインポート

Pythonのデータ分析や機械学習に必要なライブラリをインポートします。以下のように、主にpandas、numpy、scikit-learnなどのライブラリを使用します。

import pandas as pd
import numpy as np
from sklearn.linear_model import LinearRegression
from sklearn.model_selection import train_test_split
import matplotlib.pyplot as plt

サンプルデータの作成

以下のデータは、過去のイロレーティングに基づく日本代表のランキングを示しています。このデータを基に、未来のランキングを予測するモデルを作成します。

# Given data
data = {
    'Year': list(range(2000, 2024)),
    'Ranking': [55, 21, 12, 21, 24, 16, 21, 53, 26, 25, 19, 22, 19, 18, 24, 27, 31, 23, 42, 35, 33, 32, 31, 14]
}
df = pd.DataFrame(data)
print(df)

    Year  Ranking
0   2000       55
1   2001       21
2   2002       12
3   2003       21
4   2004       24
5   2005       16
6   2006       21
7   2007       53
8   2008       26
9   2009       25
10  2010       19
11  2011       22
12  2012       19
13  2013       18
14  2014       24
15  2015       27
16  2016       31
17  2017       23
18  2018       42
19  2019       35
20  2020       33
21  2021       32
22  2022       31
23  2023       14

# Plotting the data
plt.figure(figsize=(10, 6))
plt.plot(df['Year'], df['Ranking'], marker='o', color='b', label='Ranking')
plt.xlabel('Year')
plt.ylabel('Ranking')
plt.title('Ilo Rating Ranking Over the Years')
plt.gca().invert_yaxis()  # Reverse the Y-axis to make the lower rankings appear higher
plt.grid(True, which='both', linestyle='--', linewidth=0.5)
plt.legend()
plt.tight_layout()
plt.show()

予測モデルの実装

線形回帰モデルを使用して、イロレーティングのランキングを予測します。以下のコードは、データをトレーニングセットとテストセットに分割し、モデルを訓練して未来のランキングを予測しています。

# 特徴量とターゲット変数の定義
X = df[['Year']]
y = df['Ranking']

# データの分割
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=0)

# モデルの訓練
model = LinearRegression()
model.fit(X_train, y_train)

# 未来のランキング予測
future_years = pd.DataFrame({'Year': list(range(2024, 2031))})
predicted_rankings = model.predict(future_years)

# 予測結果のプロット
plt.plot(df['Year'], df['Ranking'], label='Actual Rankings')
plt.plot(future_years, predicted_rankings, linestyle='dashed', label='Predicted Rankings')
plt.xlabel('Year')
plt.ylabel('Ilo Rating Ranking')
plt.gca().invert_yaxis()  # Y軸を反転
plt.legend()
plt.show()

上記のコードにより、2024年から2030年までのイロレーティングのランキングを予測するグラフが表示されます。予測には線形回帰モデルを使用していますが、実際にはさまざまなモデルやパラメータチューニングを試して、最適なモデルを選択します。

上記のコードは2030年まででしたが、期間を西暦10000年まで延ばしてみましょう。

# 未来のランキング予測
future_years = pd.DataFrame({'Year': list(range(2024, 10000))})
predicted_rankings = model.predict(future_years)

# 予測の修正
predicted_year = None
predicted_rankings_adjusted = []

for year, ranking in zip(future_years['Year'], predicted_rankings):
    # ランキングが1位以下（0.5以下を考慮）になった場合、それ以降の予測を打ち切る
    if ranking <= 1.5:
        predicted_year = year
        break
    predicted_rankings_adjusted.append(ranking)

# 予測結果のプロット
plt.figure(figsize=(10, 6))
plt.plot(df['Year'], df['Ranking'], label='Actual Rankings')
plt.plot(future_years['Year'][:len(predicted_rankings_adjusted)], predicted_rankings_adjusted, linestyle='dashed', label='Predicted Rankings')
plt.xlabel('Year')
plt.ylabel('Ilo Rating Ranking')
plt.title(f"Predicted Year Japan Becomes 1st: {predicted_year}")
plt.gca().invert_yaxis()  # Y軸を反転
plt.legend()
plt.show()

print(predicted_year)

日本サッカー代表がイロレーティングで1位になるのは、西暦4207年と予測できました。

この予測は単純な線形回帰モデルを使用しているため、実際の結果とは異なる可能性があります。データの品質やモデルの選択、外部要因など、多くの要素が予測に影響します。

▼「AIエンジニアへ転職」はここをクリック！

AIエンジニア

AIとイロレーティング予測のさらなる組み合わせ例

過去の大会結果を用いたトレンド分析

イロレーティングはその瞬間のチームの強さを示す指標ですが、過去の大会結果や試合データと組み合わせることで、トレンドを分析できます。これにより、チームの成長曲線や低迷期、そして再びの成長などのパターンを理解できます。

Pythonを用いて、過去のイロレーティングと大会の結果をプロットすると、以下のような分析が行えます。

import matplotlib.pyplot as plt

# サンプルデータ
years = [2020, 2021, 2022]
japan_elo_ratings = [1500, 1550, 1600]
tournament_results = [3, 2, 1]  # 1: 優勝, 2: 準優勝, 3: 3位

fig, ax1 = plt.subplots()

# イロレーティングのプロット
ax1.set_xlabel('Year')
ax1.set_ylabel('Elo Rating', color='tab:blue')
ax1.plot(years, japan_elo_ratings, color='tab:blue', label='Elo Rating')
ax1.tick_params(axis='y', labelcolor='tab:blue')

# 大会結果のプロット
ax2 = ax1.twinx()
ax2.set_ylabel('Tournament Result', color='tab:red')
ax2.plot(years, tournament_results, color='tab:red', label='Tournament Result')
ax2.tick_params(axis='y', labelcolor='tab:red')

plt.title('Japan Soccer Team Elo Rating & Tournament Result')
plt.show()