Modelo preditivo da posição de jogo em futbolistas sub-20 através de machine learning

Autores

DOI:

https://doi.org/10.47197/retos.v83.118967

Palavras-chave:

Aprendizagem automática, Futebol, Modelo preditivo, Posição de jogo

Resumo

Introdução: A identificação da posição de jogo através de variáveis ​​físicas pode contribuir para otimizar o planeamento do treino em jovens futebolistas. Objectivo O objectivo foi desenvolver um modelo supervisionado de classificação multiclasse para prever a posição de jogo em jogadores de futebol sub-20 utilizando variáveis ​​antropométricas e de desempenho físico.

Metodologia: Foi realizado um estudo quantitativo, observacional, transversal e preditivo com 160 futbolistas sub-20 distribuídos equitativamente por quatro posições (porteros, defesas, médios e delanteros). São avaliadas variáveis ​​antropométricas, velocidade, agilidade, força, potência, resistência aeróbia e carga de treino. A comparação de cinco algoritmos de classificação supervisionada e do seu desenho foi avaliada através de validação cruzada estratificada e métricas de classificação.

Resultados: O modelo Gaussian Naïve Bayes apresentou o melhor desempenho (F1-macro = 0,728), alcançando uma precisão global de 78% no conjunto de teste. As variáveis ​​​​​​com maior importância preditiva foram o sprint de 30 m, a mudança de direção (COD505), o Agility T-Test, o sprint de 20 m, o Yo-Yo Test e o VO₂max, enquanto as variáveis ​​​​antropométricas apresentam menor contribuição.

Conclusões: A velocidade, a agilidade e a capacidade aeróbia foram os principais preditores da posição de jogo nos jogadores de futebol sub-20. Os modelos de aprendizagem automática constituem uma ferramenta objetiva para identificar perfis posicionais e apoiar a individualização do treino.

Referências

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

Downloads

Publicado

30-05-2026

Edição

Vol. 83 (2026)

Secção

Artigos de caráter científico: trabalhos de pesquisas básicas e/ou aplicadas.

Licença

Direitos de Autor (c) 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

Creative Commons License

Este trabalho encontra-se publicado com a Licença Internacional Creative Commons Atribuição-NãoComercial-SemDerivações 4.0.

Autores que publicam nesta revista concordam com os seguintes termos:

  1. Autores mantém os direitos autorais e assegurar a revista o direito de ser a primeira publicação da obra como licenciado sob a Licença Creative Commons Attribution que permite que outros para compartilhar o trabalho com o crédito de autoria do trabalho e publicação inicial nesta revista.
  2. Os autores podem estabelecer acordos adicionais separados para a distribuição não-exclusiva da versão do trabalho publicado na revista (por exemplo, a um repositório institucional, ou publicá-lo em um livro), com reconhecimento de autoria e publicação inicial nesta revista.
  3. É permitido e os autores são incentivados a divulgar o seu trabalho por via electrónica (por exemplo, em repositórios institucionais ou no seu próprio site), antes e durante o processo de envio, pois pode gerar alterações produtivas, bem como a uma intimação mais Cedo e mais do trabalho publicado (Veja O Efeito do Acesso Livre) (em Inglês).

Esta revista é a "política de acesso aberto" de Boai (1), apoiando os direitos dos usuários de "ler, baixar, copiar, distribuir, imprimir, pesquisar, ou link para os textos completos dos artigos". (1) http://legacy.earlham.edu/~peters/fos/boaifaq.htm#openaccess

Como Citar

Gaviria Chavarro, J., Jiménez Trujillo, Óscar H., Marin, N. D., Gómez Peñaranda, J. J., Castro Valencia, F., Gómez García, M. Ángel, & Grisales Guerra, C. J. (2026). Modelo preditivo da posição de jogo em futbolistas sub-20 através de machine learning. Retos, 83, 266-276. https://doi.org/10.47197/retos.v83.118967