Modelo predictivo de la posición de juego en futbolistas sub-20 mediante machine learning
DOI:
https://doi.org/10.47197/retos.v83.118967Palabras clave:
Aprendizaje Automático, Fútbol, Modelo Predictivo, Posición de juegoResumen
Introducción: La identificación de la posición de juego mediante variables físicas puede contribuir a optimizar la planificación del entrenamiento en futbolistas jóvenes. Objetivo El objetivo fue desarrollar un modelo supervisado de clasificación multiclase para predecir la posición de juego en futbolistas sub-20 utilizando variables antropométricas y de rendimiento físico.
Metodología: Se realizó un estudio cuantitativo, observacional, transversal y predictivo con 160 futbolistas sub-20 distribuidos equitativamente en cuatro posiciones (porteros, defensas, mediocampistas y delanteros). Se evaluaron variables antropométricas, velocidad, agilidad, fuerza, potencia, resistencia aeróbica y carga de entrenamiento. Se compararon cinco algoritmos supervisados de clasificación y su desempeño se evaluó mediante validación cruzada estratificada y métricas de clasificación.
Resultados: El modelo Gaussian Naïve Bayes presentó el mejor rendimiento (F1-macro = 0.728), alcanzando una precisión global del 78% en el conjunto de prueba. Las variables con mayor importancia predictiva fueron el sprint de 30 m, el cambio de dirección (COD505), el Agility T-Test, el sprint de 20 m, el Yo-Yo Test y el VO₂max, mientras que las variables antropométricas mostraron menor contribución.
Conclusiones: La velocidad, la agilidad y la capacidad aeróbica fueron los principales predictores de la posición de juego en futbolistas sub-20. Los modelos de aprendizaje automático constituyen una herramienta objetiva para identificar perfiles posicionales y apoyar la individualización del entrenamiento.
Referencias
Alpaydin, E. (2020). Introduction to machine learning (4th ed.). MIT Press.
Azcárate Jiménez, U., & Yanci Irigoyen, J. (2016). Perfil físico en futbolistas de categoría amateur de acuerdo a la posición que ocupan en el campo. Revista Española de Educación Física y Deportes, (415), 21–37. https://doi.org/10.55166/reefd.v0i415.504
Breiman, L. (2001). Random forests. Machine Learning, 45(1), 5–32. https://doi.org/10.1023/A:1010933404324
Çetin, O., & Koçak, M. (2022). Repeated sprint ability of youth football players in the same age category according to playing position and competition level. Montenegrin Journal of Sports Science and Medicine, 11(1), 59–63. https://doi.org/10.26773/mjssm.220307
Cometti, G. (2007). La preparación física en el fútbol. Editorial Paidotribo.
Efron, B., & Tibshirani, R. J. (1993). An introduction to the bootstrap. Chapman & Hall/CRC. https://doi.org/10.1201/9780429246593
Fawcett, T. (2006). An introduction to ROC analysis. Pattern Recognition Letters, 27(8), 861–874. https://doi.org/10.1016/j.patrec.2005.10.010
Fisher, A., Rudin, C., & Dominici, F. (2019). All Models are Wrong, but Many are Useful: Learning a Vari-able's Importance by Studying an Entire Class of Prediction Models Simultaneously. Journal of machine learning research : JMLR, 20, 177.
Harris, C. R., Millman, K. J., van der Walt, S. J., et al. (2020). Array programming with NumPy. Nature, 585(7825), 357–362. https://doi.org/10.1038/s41586-020-2649-2
Horníková, H., & Zemková, E. (2021). Relationship between physical factors and change of direction speed in team sports. Applied Sciences, 11(2), 655. https://doi.org/10.3390/app11020655
Jiménez-Reyes, P., Cuadrado-Peñafiel, V., & González-Badillo, J. J. (2011). Análisis de variables medidas en salto vertical relacionadas con el rendimiento deportivo y su aplicación al entrenamiento. Cultura, Ciencia y Deporte, 6(17), 113–119. https://doi.org/10.12800/ccd.v6i17.38
Keiner, M., Kapsecker, A., Stefer, T., Kadlubowski, B., & Wirth, K. (2021). Differences in squat jump, line-ar sprint, and change-of-direction performance among youth soccer players according to com-petitive level. Sports, 9(11), 149. https://doi.org/10.3390/sports9110149
McKinney, W. (2010). Data structures for statistical computing in Python. Proceedings of the 9th Py-thon in Science Conference, 56–61. https://doi.org/10.25080/Majora-92bf1922-00a
Medina-Curimilma, W. E. (2025). La importancia de la antropometría en el rendimiento deportivo del fútbol. MQRInvestigar, 9(1), e58. https://doi.org/10.56048/MQR20225.9.1.2025.e58
Moya, D., Tipantuña, C., Villa, G., Calderón-Hinojosa, X., Rivadeneira, B., & Álvarez, R. (2025). Machine learning applied to professional football: Performance improvement and results prediction. Machine Learning and Knowledge Extraction, 7(3), 85. https://doi.org/10.3390/make7030085
Musham, C., & Fitzpatrick, J. F. (2020). Familiarisation and reliability of the isometric mid-thigh pull in elite youth soccer players. Sport Performance & Science Reports, 85, 1–4.
Pedregosa, F., Varoquaux, G., Gramfort, A., et al. (2011). Scikit-learn: Machine learning in Python. Jour-nal of Machine Learning Research, 12, 2825–2830.
Raya, M. A., Gailey, R. S., Gaunaurd, I. A., Jayne, D. M., Campbell, S. M., Gagne, E., Manrique, P. G., Muller, D. G., & Tucker, C. (2013). Comparison of three agility tests with male servicemembers: Edgren Side Step Test, T-Test, and Illinois Agility Test. Journal of Rehabilitation Research and Develop-ment, 50(7), 951–960. https://doi.org/10.1682/JRRD.2012.05.0096
Sammoud, S., Negra, Y., Bouguezzi, R., Ramirez-Campillo, R., Moran, J., Bishop, C., & Chaabene, H. (2024). Effects of plyometric jump training on measures of physical fitness and lower-limb asymme-tries in prepubertal male soccer players: A randomized controlled trial. BMC Sports Science, Medicine and Rehabilitation, 16, 37. https://doi.org/10.1186/s13102-024-00821-9
Santacruz Marín, C. A., España Chacua, W. A., Gaviria Chavarro, J., Motato Rodríguez, L. A., & Galeano Virgen, J. D. (2025). Modelo predictivo del sprint basado en salto contramovimiento e índice de masa corporal en futbolistas. Sportis Scientific Journal, 11(4), 1–19. https://doi.org/10.17979/sportis.2025.11.4.11646
Sneha, S., Prithvi, B. S., Niranjanamurthy, M., Kiran Kumar, H. K., & Dayananda, P. (2024). Machine learn-ing based assessment of elite football players based on anthropometric and motor fitness pa-rameters with regard to their playing positions. SN Computer Science, 5, 974. https://doi.org/10.1007/s42979-024-03261-x
Sokolova, M., & Lapalme, G. (2009). A systematic analysis of performance measures for classification tasks. Information Processing & Management, 45(4), 427–437. https://doi.org/10.1016/j.ipm.2009.03.002
Sporiš, G., Jukić, I., Ostojic, S. M., & Milanović, D. (2009). Fitness profiling in soccer: Physical and physio-logic characteristics of elite players. Journal of Strength and Conditioning Research, 23(7), 1947–1953. https://doi.org/10.1519/JSC.0b013e3181b3e141
Vidal-Maturana, F., Gajardo-Cid, N., Merino-Muñoz, P., Hermosilla-Palma, F., Valdés-Badilla, P., & Herre-ra-Valenzuela, T. (2024). Relación entre potencia y fuerza isométrica con la capacidad de repe-tir sprint en futbolistas profesionales varones. SPORT TK-Revista Euroamericana de Ciencias del Deporte, 13(Supl. 3), 8. 10.6018/sportk.634671
Yagin, F. H., Hasan, U. C., Clemente, F. M., Eken, O., Badicu, G., & Gulu, M. (2023). Using machine learning to determine the positions of professional soccer players in terms of biomechanical variables. Proceedings of the Institution of Mechanical Engineers, Part P: Journal of Sports Engineering and Technology. Advance online publication. https://doi.org/10.1177/17543371231199814
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2026 Javier Gaviria Chavarro, Óscar Hernán Jiménez Trujillo, Nelson Daniel Marin, Juan José Gómez Peñaranda, Francisco Castro Valencia, Miguel Ángel Gómez García, Carlos Julio Grisales Guerra
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
Los autores que publican en esta revista están de acuerdo con los siguientes términos:
- Los autores conservan los derechos de autor y garantizan a la revista el derecho de ser la primera publicación de su obra, el cuál estará simultáneamente sujeto a la licencia de reconocimiento de Creative Commons que permite a terceros compartir la obra siempre que se indique su autor y su primera publicación esta revista.
- Los autores pueden establecer por separado acuerdos adicionales para la distribución no exclusiva de la versión de la obra publicada en la revista (por ejemplo, situarlo en un repositorio institucional o publicarlo en un libro), con un reconocimiento de su publicación inicial en esta revista.
- Se permite y se anima a los autores a difundir sus trabajos electrónicamente (por ejemplo, en repositorios institucionales o en su propio sitio web) antes y durante el proceso de envío, ya que puede dar lugar a intercambios productivos, así como a una citación más temprana y mayor de los trabajos publicados (Véase The Effect of Open Access) (en inglés).
Esta revista sigue la "open access policy" de BOAI (1), apoyando los derechos de los usuarios a "leer, descargar, copiar, distribuir, imprimir, buscar o enlazar los textos completos de los artículos".
(1) http://legacy.earlham.edu/~peters/fos/boaifaq.htm#openaccess
