Int ern at i onal  Journ al of Ele ctrical  an d  Co mput er  En gin eeri ng   (IJ E C E)   Vo l.   9 , No .   5 ,  Octo ber   201 9 , pp.  4321 ~ 43 25   IS S N:  20 88 - 8708 ,  DOI: 10 .11 591/ ijece . v 9 i 5 . pp4321 - 43 25           4321       Journ al h om e page :  http: // ia es core .c om/ journa ls /i ndex. ph p/IJECE   Compari ng mach ine   learn ing and  ensembl e learnin g   in the fi eld  of  fo otb all        Shu aib Kha n ,  Kirub anand   V. B   Depa rtment  o f  C om pute r  Scie n ce,  CHRIS T   (De e m ed  to  b e  Unive rsit y ) ,   Ind ia       Art ic le  In f o     ABSTR A CT   Art ic le  history:   Re cei ved   Des   7 , 2 01 8   Re vised  A pr   13 , 2 01 9   Accepte d  Apr   2 5 , 201 9       Footbal l  h as  been  one  of  th e  m ost  popula r  and   lo ved  sports  since   it s  birt h  o n   Novem ber   6th,  1869.   Th e  m a in  rea son  for   t his  is  because  it   is  high l y   unpre dictable  in   nat ure .   Predicti ng  footba ll   m atche s  result s  see m s  li ke  the  per fect  probl em  for  m ac hine   le ar ning  m odel s.  Bu t  the r e  ar e  var io us  ca veats   such  as  pic k ing   the   r ight   f eatur es  from   an  enor m ous  num ber   o f  availa b le  fea tur es.     The r e  have   b ee n  m an y  m odel s  which  h ave   b ee n  appl i ed   to  var ious   footba ll - relate d   dat ase ts.  Th is  pape r  ai m s  to  compare   Su pport  Vec to r   Mac hine s  a  m a chi ne  l ea rn ing  m odel   and  XG Boost  an  Ense m ble   le arn ing  m odel   and  how  Ensemble  Le arn ing  ca n  gre a tly   i m prove   the   ac cu racy   of  th e   pre dict ions.   Ke yw or d s :   Decisi on  trees   Ensem ble  le arn in g   Pr esci sio n   Suppor t   vect or m achines   XG B oost      Copyright   ©   201 9   Instit ut e  o f Ad vanc ed   Engi n ee r ing  and  S cienc e .    Al l   rights re serv ed .   Corres pond in g  Aut h or :   Shuaib  K han,    Dep a rtm ent o f C om pu te r  Scie nce ,   CHRIST   ( Dee m ed  to  be Un i ver sit y),     Ho s ur Mai n R oad, B hav a ni  Nag a r, S. G. Pa ly a, Beng al uru, Ka rn at a ka 560 029, I ndia .   Em a il :  sh uaib.kh a n@cs.c hr is tun ive rsity .in       1.   INTROD U CTION     Football   is  a   ver y  unpre dicta ble  s port,   t he   num ber   of  upset s  ca us e d  by  wea ke r  te a m s  beati ng   relat ively  stro nger team s is b oundle ss,  m ay be  wh y t he  spo r t i s lov ed by s o  m any all  acro s s the wor l d.   W hen  it   com es  to  who's  go i ng   t o  wi n  in  a  footb al l  m at ch,   there  is   a  whole  in du s try   around  it ,  pr e - m at ch  analy sis  by  football   pundit s  an d  e xperts,   post - gam e  analy sis  by  f or m er  play ers  or  prof e ssio nals,  Entire  c ha nn el s  li ke   ESPN   ,  Sk y  S ports  are  de dic at ed  to  try ing   to  analy se  an d  figure  out  as  to  wh ic h  te am   is  go in g  to  w in  the   m at ch  and   e ve n  du rin g  hal ftim e ,  there  are   com m entat or s  try ing   to   predi ct   who  is  go i ng  to  win  base d  on     half - ti m e  stats.  Be tt ing   Com pan ie s  th rive  on   the  unpred ic ta bili ty  of   football   m a tc hes.   Ther e  a re  va rio us  betti ng   c om pan ie s  w ho   hav e   their  own  wa ys  or   m od el s  t o  predict   the  r esults  of   the se  m at ches,  base d  on   th e   pr e dicti on of t hese m od el s th ey  can  a dju st t heir o dd s  acco r dingly .   Ther e  have  be en  m any  pap er s  and   m od el s  im ple m ented  to  pr e dict  the  m a tc hes,   m os t  of   wh ic h  ha ve   achieve d  a  rea so na ble  am ou nt   of   acc ur acy .  The  obj ect ive  of   t his  pa p er  i s  to  sho w  the  diff e re nce  bet ween  a   Ma chine  le ar nin g  m od el   an d  an  ensem ble  le arn i ng   m od el .   Ma chine  Lear ning  can  be  ap plied  to  the  va rio us  aspects  of  real - li fe.  But  ever y  app li cat io n  of  a  Ma chine  Lea rn i ng   is  di ff e re nt  as  there  is  a  vast  va riet y  of   data  g ene rated   in  t he  m od er n  da y.  For  e xam ple,  a  m achine  l earn i ng  m od el   us e d  t o  pr e di ct   the  value  of  bitcoin   m igh t  no t  be  ve ry  accur at e  in   cl assify ing   pictures  of   dogs.   Choosin g  the   rig ht  m achine  le arn in g  m od el   is  a   par t  of   t he  pr oble m .  The  oth e r  pa rt  is  getti ng   the  data  pre pa red   f or   th e  m od el .   O ften  ti m es  we  do  no t   get  the  ideal   data  s et ,  there  m ay   be  m issi ng   val ues ,  du plica ti on ,   e tc .  Pr e - P ro ces s ing   t he  data  se t  is  the  oth e r  pa rt  of  the pr ob le m .   The  pe rfor m ance  of   Ma chine   Learn in g  m od el s  and   cl assifi ers  are  usua ll y  ran ke d  on  som e  fo rm   of  Accuracy .  Tha t  is  the  c om pari so n  bet ween  t he  act ual  resu l ts  and   the  pr e di ct ed  or   obta in ed  res ults.  Ensem ble   le arn in g  ai m s  t o  im pr ov e   the  accuracy  of  yo ur   le a rn e rs  (classi fiers)  by  ass e m bling   them   tog et he r.   The   e rrors   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  9 , N o.   5 ,  Oct ober   201 9   :   4 3 2 1   -   4 3 2 5   4322   pro du ce d  by  a   Ma chine   Lea r ning  cl assifi e r   can   be   br ok e n  dow n  i nto   bi as,  va riance   a nd  I rr e duci ble   erro r .  Ensem ble  le arn ers   hel p  us   ge t  the  ri gh t   bala nce  betwee n  bi as  an d  va rianc e  erro rs.  This   ba la nce  is  al s o  know n  as  the  Bi as - V ariance  tra de - off.   I n  t his  pa per,  we  l ook  at   on e  ty pe  of   e ns em ble  l earn i ng   m od el   cal le d  Boo sti ng.  B oo sti ng   is  it erati ve  in  natu re  a nd   a dds  weig ht   to  an  ob se r va ti on   or  data  ba sed  on   t he  pr evio us   resu lt s  of cla ss ific at ion .       2.   RESEA R CH MET HO D     2 . 1.     Rela ted  w ork   Jo se ph  an d  Fe nton [ 1]:   Ba ye sia n  Nets  ha ve  been  use d  in  t hi s  pa per   t o  a ntici pate  the r es ults  of  S occe r   m at ches  and   t he  res ult  is  co m par ed  with  ot her   m od el s  suc h  as  K - Near e st - Neig hbou rs,  Mc 4  et c.  T he   pap e r   us es  e xpert  opinion  f or  featu re  sel ect ion  in ste ad  of  m at he m at ic al   m od el s  and  the  a na ly sis  i s  done  on  the   m at ches  play ed  by  Totte nha m   Ho tspur.  T he  pa per   s hows  that  the  Ba ye sia n  Nets  ou t perform   th e  oth er   cl assifi ers whe n  the  d at a  set  is d is j oi nt.   Dobravec   [ 2]:   This  pap e r  rec ognizes  t he  dif ficult y  of  the  m achine  le ar nin g  ap proac h  i n  the  fiel d  of  fo otb al l.  This   pap e r  us es   a  M at rix  Fact or iz at ion   M odel   w hi ch  forecast s  t he   am ou nt  of  go al s  sco red  by   a   tea m   against a  certai n opp on e nt. Th e AUC sc or e  obtai ned b y t he m od el  is 0 . 677.   Du ša n  a nd   Dia na  [ 3]:   This  pa per   us es  Stat ist ic al   Techn iq ue s  su c h  as  P oiss on   distrib utio n  to  pr e dict  football   m a tc hes.   The  m od el   app li es  Po iss on   distrib utio n  to  the  first  ha lf  of   the  seas on  an d  the n  us i ng   the   resu lt s  it   si m ulate s  the  oth e r  half  of  the  seas on’s  re su lt s.  T heir  Mo del  can   be  us e d  f or   a  pr i or i  im pact  a naly sis   by  goi ng  t hro ugh  sim ulatio ns   of  diff e re nt   m anag e m ent  strat egies   ba s ed  on  th ei r  exp ect e d  e ff ec ts  on   m at ch  resu lt s.   Haghig hat  et   al .  [4 ] :  T his  pap e r  ide ntifie s  two  m ai n  pro blem s  fo r  da ta   m ining   in   the  fiel d  of  Football .  T he  f irst  is  the  relat ively   low  acc ur acy   of   cl as sifie rs  try in g  to  pr e dict  data,  im plyi ng   m or e  acc ur at e   m od el s  need   t o  be  f ound  a nd  the  seco nd  is  the  la ck  of  good  qual it y  fr e e  data  set s  in   te rm s  of   the  sta ti sti cs.   Most o f  t he data set s contai n d at a colle ct ed  f r om  w ebsite s a nd not act ually  r el eva nt stat ist ic s.   Fo r rest  a nd   Sim m on s   [5 ] :  T his  pa per   goe s  over  the  qu antit at ive  factor s  a ff ect in g  t he  bea utif ul  gam es,  it   trie s   to  est ablish  a   relat ion s hip   be tween  the  H om e  Tea m   Su pport ers  a nd   t he  in flue nce  on  the   ref e ree. It est a blishes t hat the  hom e team , in  g e ner al ,  r ecei ve s f e wer Yell ow Car ds .   Aleja ndr o  et   al .  [6 ] :  This  pa per   s pea ks   ab out  the  H om e  a dv a ntage  phen om eno n  te am s   face  w hile   play ing  at   hom e,  it   trie s  to   e xpla in  or  fi nd  a  reason  f or  this  ph e nom eno n.  I t  concl udes  by  say ing   t hat  it   c an  be   a  com bin at ion   of   fa ct or s  s uch  as  beh avi our  of   the  cr owd ,  ph yc ologica l  eff ect   of   the  play ers,   fam iliarity  with   the stadi um  etc .     2 . 2.       Me thod ology   2.2.1.  D ata  cl e an in g and pre - pr ocessin g   The  Dataset   s el ect ed  co ntained   feat ur es   s uch  as   the  nu m ber   of  goal s   sco re d   by  hom e  te a m ,   the  num ber   of   go al s  sc or e d  by   away  te a m ,  Shots  ta ken   by   ho m e  te a m ,  S ho ts  ta ke n  by  away  te a m ,  hom e  te a m   po i nts,  a way  t ea m   po ints ,  a  var ie ty   of  betti ng  od ds ,  an d  f inall y  the  Fu ll - tim e  resu lt .  T he  dataset s  col le ct ed  wer e  fro m  the  ye ar 20 00 to 2 013.   Sele ct ing   the  r igh t  featu res  is  a  ver y  i m po rtant  par t  of  Ma chine  Lear ning ,  these  can  be  done  us i ng   Stat ist ic al   te s ts  su c h  as  Pe ars on’s  C orrelat ion ,  Li near   Disc rim inant  analy sis,  A NOV A,   Chi - S qu a re  te s ts  et c.  Howe ver,  in  t his  m od el ,  we   com pu te d  a dd it ion al   featu res   fr om   the  data set   it sel f  su c h  as  H om e  Team   W in  Streak ,  Ho m e  Team   Loss   Streak,   A way  Tea m   W in  Strea k,   A way  Team   Loss   Streak ,  Diff e rence   in  Po in t s   from   the  Ho m e  Tea m   and   the  Aw ay   Team ,   Diff e ren ce  in  Last   Year ’ s  Pre dicti on s .  All  these  featu res  wer e  th e   dep e ndent  va riables.  Fu ll - Ti m e Result  w as  ta ken  a s the  In dep e ndent  Va riable.     2.2.2.  Sup po r t  v ec to r  ma c hines   Suppor t  Vect or  Ma chines  ha s   been   co ns ide r ed  as  on e  of   th e  go - t o  al gorithm s  fo r  data  sci entist s,  b ut   wh y  is   it   a  fa vouri te ?   This  is  beca us e  of  on e   Re aso n ,   T he   Kernel  T rick   [7] .   SV M   is  an   Ef fici ent   Data   An al ysi s  Al gor it h m   or   Mod el  w hic h  can b e  use d  both f or  cl assifi cat ion   as w el l  as  well   as  regressio n.  I t  us es  a   hype rp la ne  to  separ at e  the  da ta   into  cl asses.  This  hype rp la ne  or  li ne  m us t  be  sel ect ed  i n  su c h  a  way  that  it   m axi m iz es  the  distance   bet w een  the   cl os e st  data  po i nt  of   each  cl ass.   It  i s  cr ucial   that  we  fin d  a n  optim a l  hype rp la ne  be cause  it   cl assifi es  the  data  co rr ect ly   and   we   will   hav e  higher  acc ur acy   on  unsee n  (test )   data .   To  fin d  th e  op t i m al   hyper pla ne   we   nee d  a   m arg i n.   A  m arg i n  is  t he  distanc e  betwee n  the  cl os est   point   a nd  the  hype rp la ne.   T he  Ma r gin  is  c al le d  a  no  m an’ s   la nd  because   there   sho uld n’t   be   any  da ta   po i nts  bet w een  th e   hype rp la ne  a nd the m arg in.  As sho wn   in  F ig ur e  1.   Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g     IS S N:  20 88 - 8708       Compari ng  machine le arnin g and e ns e m ble lear ning in  the f ie ld o f f oot ba ll   ( Shua i b  Kh an )   4323       Figure  1.  De pi ct ion   of  S VM       The  Kernel  T ri ck  is  us e d  in   c ase  the  data  is  Non - Linea r.   T he  Kernel  tric k  co ver ts  our   da ta   (u s ually   to  a  higher  di m ension)  in  s uch   a  w ay   that  we  can  dra w  buil d  an  opti m al   hyper pl ane.  I n  ot her   words,   it   conver ts   the  data  int o  unrec ognizable   data  wh ic h   ca n  be  use d  by  the   S V M.  This   hel ps   to  accu ratel y  draw   a   m arg in  bet wee n  cl asses.   A  ke rn el   f un ct io n  is  responsi ble  f or   tra ns f orm in g  the  data.  T he re  are  m any  K ern el s   functi ons f or alm os t  all types  of  d at a. T he  K ern el  fun ct io n use d  her e is cal le d  RB F ( Ra dial  Ba sis Fu nction)   as  sh ow n  in  Fi gur e 2 .           Figure  2 .  RB F  form ula       Her e || x - x’ || 2  is  the E uclidia n dist ance  betwe en  tw o data p oi nts and σ  is a  pa ram et er.  The R BF k er nel   com pu te s  the  distance  f ro m   t he  ori gin   or   a ny   oth er  cal le d  a  center.  It  is  a  real  valued   functi on   wh ic h  is  us e d  get an ap pro xi m at ion  of fu nc ti on s  [8 ] .     2.2.3.  X GB oos t   The  E ns em ble  Learn e r  us e d  in  this  m od el   w as  a  boost ing   a lgorit hm   kn ow n  as  XG B oost.   Boo sti ng   i s   a  ty pe  of   ense m ble   le arn er  that  trai ns   the  m od el   on   a  ran dom iz ed  sa m ple  of   the  dat a   and   f or   the  da ta   po ints   wh ic h  we ren’t  pr e dicte d  co rrec tl y,  it  include s  them   in  the  nex t  sam ple  of   rand om l y  selected  data.  I n  oth e r   words, it a dds  weig ht to  t he u ns uc cessf ul  pr e dicti on s  and t r ai ns  the  classi f ie r  agai n.     Boo sti ng  trai ns,  the  cl assifi er s  in   a  seq ue nc e  in  su c h  a  wa y  that  a  new   cl assifi er  s hould  con ce ntrate   on   th os e  cases  wh ic h  wer e  cl a ssifie d  inco rre ct ly .  The  resu lt s  of   the  seq ue nc e  of   cl assifi er s  are  com par ed   and   a voti ng to det erm ine the outpu t a s s how n  i n  F i gure   3 .           Figure  3 .  De pi ct ion   of  bo os ti ng   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  9 , N o.   5 ,  Oct ober   201 9   :   4 3 2 1   -   4 3 2 5   4324   XG B oost  sta nds  for  e xtrem e   gr a die nt  boost ing .   G rad ie nt  Boo sti ng  w ork s  on  the   pri nci ple  of  a  ty pe   Decisi on  trees   known  as  Cl assifi cat ion   an d  Re gr essio n  T rees  or   C ART .  Trees  are  go od   at   ha nd li ng   huge   dataset s,  they   can  ha nd le   qual it at iv e  as  well   as  qu a ntit at ive  data,  they   can  igno re  redu nd a nt  var ia bles,  but  on e   m ajo r  dr a w bac k  is  that  the  predict io n  pe rfo rm ance  is  ver y  poor ,  but  this  is  becau se  of  a  la rg e  am ou nt  of  var ia nce.  XG B oo st  s olv e s  thi s  pro blem   by  t akin g  a  s pecifi c  nu m ber   of   t r ees ,  each  t ree  is  gro wn   ( trai ne d)   t o  the  wei ghte d  ve rsions  of  the   trai ning  data.   T his  f orm   of   we igh ti ng  dec orre la te s  the  trees   that   is  it   rem oves  the   correla ti on   bet ween   t rees  by  fo c us in g  on  the  re gions  m i ssed  by  the  pa st  trees.  T he  f inal  Cl assifi er  is  th e   we ig hted  a ve ra ge  of   t he  cl assi fiers.  G rad ie nt  boos ti ng  im pr oves  al l  the  good  feat ur es   of  tr ees  su c h  as  va r ia ble   sel ect ion ,  m ixed  pr e dicto rs  et c.  an d  im prov e s  on  the   w eak  featu res  s uch  as  predict ion  pe rfor m ance  a nd   scal abili ty  o f  tr ees [ 9].       3.   RESU LT S   A ND AN AL YSIS     As  m entioned  befor e ,  the  goal   of  this  pa per   is  to  c ompare  a n  e ns e m ble  le arn in g  m od el   an d  a   m achine  le arn i ng   m od el   to  sh ow  how  a n  ensem ble  le arn ing   ca n  gr eat ly   i m pr ov e  accu racy.  First,  the   data  is   cl eaned   a nd   Fe at ur es  are  c ompu te d  an d  a dded  us i ng   t he  e xisti ng   data  set .  The  fe at ur e s  are  then  s el ect ed  put   into  t he  S VM  m od el   with  the   RB F  kernel.  T his  data  is  al s o  fe d  i nto   t he  X GBoost  m od el   and  the   res ults  fr om  bo t h  the  m od el s ar e c om par ed  as s how n  in  Fi gure  4.           Figure  4 .  Mo de l  us e d  f or c om par ison       Both  Accuracy  sco re  and F1 s cor e a re  us e d  to calc ulate  the  perform ance o f  the m od el s.  T he  F 1  sc ore   us es  pr eci si on  an d  recall .  It   m a intai ns   the   balance   bet w een  the   preci sion  of  the   outp ut  an d  t he  re c al l  of    the outp ut.     Let ,    fp   =   false  posit ives;   tp =   tr ue   posit ives;   tn   =   tr ue ne gatives;   fn   =   false  n e ga ti ves.   Pr eci sio n  = t p /  (tp  +  fp )   Re cal l = t p/ ( tp  + fn )   F1_score =  2 * (P recisi on*Re cal l)/(Precisi on +R ecal l)     The O bs er vations o btaine d  a r e as   s how n  in   Tabel  1  a nd Ta ble 2 : -       Table  1.   SV M  resu lt s   Variable   F1   sco re   Accurac y   Tr ain in g  Set   0 .71 5   0 .75 6   Test Set   0 .65 4   0 .66 0       Table  2 .  X GBoost  re su lt s   Variable   F1  sco re   Accurac y   Tr ain in g  Set   0 .85 5   0 .86 9   Test Set   0 .80 1   0 .82 4     Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g     IS S N:  20 88 - 8708       Compari ng  machine le arnin g and e ns e m ble lear ning in  the f ie ld o f f oot ba ll   ( Shua i b  Kh an )   4325   4.   CONCL US I O N     The  Go al   of   t hi s  pap e r  was  to   show  t he  s up e rior it y  of  en se m ble  le arn ing   ov e r  m achine  le arn i ng   m od el s  in  the  fiel d  of  Football .  As  we  ca n  see,   X GBoost  perfor m s  sign ific antly   bette r  tha n  i ts  m achine  le a rn i ng  counter par t   S VM.  With  a n  accuracy  sco re   of  0.855  a nd  an  F 1_sc or e   of   0.8 01.  It  s houl d  be   no te d  th at   these   pr e dicti on s   or  cl assifi cat ion   wer e  m ade  wit h  the   us e   of  in - gam e  sta ti sti c s  w hich  a re  not  avail able  be f or e  t he   m at ch  ta kes  place.  T his  is be cause  t he  ai m   of  this pa per   is   not  to   predict   t he  football   m atch es o r   c om e  up  w it h  an  al gorithm   or   m od el   to  predict   the  f oo t ball  m at ch es.  Ther e  a re  m a ny  dif fer e nt  ensem ble  m od el s  an d  m achine  le arn i ng   m od el s  w hich  can  be  im ple m ented  in  this  are  to  pr e dic t  fo ot ball  Ma tch es.  T he  Re su l ts  of   this pa per s hows  th at  en sem ble lea r ning ca n be a  good c hoic e whe n  try i ng to p red ic t t he  r es ults in t hi s f ie ld.       ACKN OWLE DGE MENTS     The  aut hor  w ou l d  li ke  to  than k  facil it at or s  of   the  un i ve rsity   hav e  be en  a  m os t  helpful  al ly   in   structu rin g  t he data  and  unde r sta nd i ng  t he pr ob le m  d om ai n.  Th e  pa per w ould  not ha ve be en  c om plete  w it hout  the  m assive  c on t rib ution s  by   al l  the  facu l ti es  and   res o urces  in  li eu  of   Christ  (D eem ed   to  be  Un i ve rsity ) ,   for bo t h resear ch  a nd r e view .       REFERE NCE S     [1]   A.  Jos eph,   N .   E.  Fenton ,   " P red icting  Footb al l   result s  usin g  Ba y esi an  Ne ts  and  o t her   Mac hine  L ea rni ng  Te chn ique s , "   Kn owle dge - Based Syste ms ,   vol .   19 ,   no.   7,   pp.   54 4 - 5 53,   Nov 2006 .   [2]   Stefa n  Dobrav e c,   " Fore ca sting   Footbal l   W orld  Cup  Resul t s  using  a  Ma tri x  Fac toriza t i on  Techni que , "  El e kt rotehn iski   Ve stni k/ E le c trot ec hni cal   Revie w ,   vol. 82, no.   1,   p p.   61 - 65 ,   Jan   20 15 .   [3]   Munđar  Duš an  and  Šim ić   Diana ,   " Croatian  Fir st  Footbal l  Lea gue:   Team s'   per form anc e  in  the  cha m pionship, "   Croatian  R ev i ew   of Ec onomi c, Bus ine ss   and  Social  Statis tics ,   vol .   2,   no.   1,   pp.   15 - 23,   2016 .     [4]   Mara l  Hagh ighat,   Ham id  Rast eg ari ,   Nasim   Nourafz a ,   " A  Review   of  Data  Mining   te chn ique s  for  Result   Predi ct io n  in  Sports , "   ACSI J ,  v o l. 2,  no.   5,   Nov   2013.     [5]   Burai m o  B. ,   Forrest  D.  and  Sim m ons   R. ,   " The  1 2th  m an ? :   ref e re ei ng  bi as  in  English  and  Germ an  socc er , "   vol.  173 ,   pp.   431 - 449 ,   Ma r  2010.     [6]   Le ga z - Arrese,  Alej a ndro ,   Moli ner - Urdia l es,   Di ego,   Munguí a - I zqui erd o ,   Diego ,   " Hom e  Advanta ge  and  Sports   Perform anc e:  E vide nc e,  Causes   and  Ps y chol og ic a l  Im pli c ation s,”   Univ ersitas  Psyc ho logi ca ,  vol.   12 ,   no .   3 ,     pp.   933 - 943 ,   20 13.   [7]   Ben  Ulm er,   Mathe w  Ferna nd e z  M  pet erson,   " Predic ti ng  S occ er  Ma tc h  R esult s  in  the   Engl ish  Prem ier     Le agu e, "   2013 ,   [Online ] .   Avai la bl e:   ht tp: / /c s2 29. stanfor d. edu/proj2014/Be n% 20Ulm er, %20Matt %20Fern andez,   %20Predic t ing% 20Socce r%20Re sults%20in%20the%20English%20P remie r%20L ea gue . pdf .   [8]   Hui  Cao,   Ta kas hi  Nait o,   Yos hiki   Ninom i y a ,   " Approxim at e  RBF   Kerne l  SVM  and  Its  Appl ic ations  in  Pedestri an   Cla s sificati on , "   MLVMA’ 08 ,   Ma rseil l e, Fra nce,   Oct  2008 .     [9]   Ti anqi   Ch en,   C arl os  Guestrin,   " XG Boost:  A  S ca l abl e  Tree  Boosting  S y stem, "   Proce ed ings  of  the   22nd  AC M   SIGKD D ,   Aug   2016 ,   785 - 794 .   [10]   " 2000 - 2013  Prim ie r  Le agu e  Data set ,"   Foot ba - data.co,   (20 18),   [Online ] .   Avail ab le :  h t tp: // ww w.foot b a ll - dat a . co . uk/e ng landm . php       BIOGR AP H I ES   OF  A UTH ORS         Shuaib  K ha n,  Corr es pondin g  A uthor,   ( St ud e nt)  D epa rtm ent  of   Com pu te r  Scie nce,   Christ  ( Deem e d   to  b e  Unive rs it y), Bang al or e ,   I ndia , Em ai l:   sk pa la rd i n@g m ai l.co m .             Kir ub a na nd   V .B   (A ss ociat e   Pr ofess or)  D epar tm ent  of   Com pu te r  Scie nce,  Ch rist  (D eem ed   to  be  Un i ver sit y) ,  Bang al or e , In dia .       Evaluation Warning : The document was created with Spire.PDF for Python.