FIFA World Cup 2022: A Data-Driven Approach to Ideal Team Line-Ups
Zusammenfassung
Kurz
Der Beitrag verwendet FIFA-22-Bewertungen und Python, um für die WM 2022 Traumteams, Kader und Startelf-Formationen zu berechnen. Die sieben bestbewerteten Mannschaften erhalten je nach Berechnung 4–2–3–1, 4–4–2 oder 4–3–3; die Kaderauswahl kann mehr als 26 Spieler enthalten, und die Resultate hängen von Spielwerten sowie den getroffenen Auswahlregeln ab.
Mittel
Der Artikel beschreibt eine Python-Auswertung von FIFA-22-Spielerdaten, um ein positionsbezogenes Traumteam, die besten Spieler je Land, Kader und Startformationen für die WM 2022 zu bestimmen. Der Autor nutzt die Gesamtbewertung (`overall`), bei Gleichstand Potenzial und Marktwert. Er behält jeweils nur die zuerst aufgeführte Position, entfernt unvollständige Datensätze, filtert auf die 32 qualifizierten Länder und schließt eine manuell erstellte Liste nicht verfügbarer Spieler aus.
Für den Kader werden die zwei bestbewerteten Spieler je Position gesammelt. Das ergibt laut Artikel teils mehr als 26 Spieler; eine Kürzung auf genau 26 wird nicht umgesetzt. Für die sieben Teams mit den höchsten durchschnittlichen Kaderwerten vergleicht der Code drei Formationen. Die besten Werte ergeben 4–2–3–1 für Spanien, Portugal, Frankreich und Deutschland, 4–4–2 für England sowie 4–3–3 für Brasilien und Argentinien. Die Resultate beruhen auf Spielbewertungen und den gewählten Positionen und Formationen. Eine vollständige Überprüfung der tatsächlich nominierten WM-Kader wird im beschriebenen Vorgehen nicht erläutert.
Ausführlich lesen
Der Bericht zeigt, wie sich mit Python aus dem Spielerdatensatz von FIFA 22 eine rechnerisch „ideale“ Mannschaft für die WM 2022 ableiten lässt. Der Autor möchte ein positionsbezogenes Traumteam, die bestbewerteten Spieler je Nationalmannschaft, einen Kader und eine Startelf samt Formation ermitteln und die Ergebnisse mit Diagrammen sowie Spielfeldgrafiken darstellen.
Als Datengrundlage dient die Datei `players_22.csv`. Aus mehr als 100 Spalten wählt der Autor Name, Alter, Nationalität, Gesamtbewertung, Potenzial, Verein, Marktwert, Gehalt und Position aus. Bei Spielern mit mehreren Positionen behält er nur die zuerst aufgeführte; Zeilen mit fehlenden Werten werden entfernt. Anschließend beschränkt er die Daten auf die 32 für das Turnier qualifizierten Länder und entfernt eine manuell angegebene Liste von Spielern, die laut Artikel verletzt oder anderweitig nicht verfügbar waren. Die Bewertung `overall` ist das zentrale Auswahlkriterium; bei Gleichstand werden Potenzial und Marktwert herangezogen. Ein Histogramm soll die Verteilung der Bewertungen zeigen; die meisten erfassten Spieler lägen demnach bei 65 bis 67 Punkten.
Das Traumteam entsteht, indem pro Positionsbezeichnung der am höchsten bewertete Spieler gewählt wird. Ähnlich bestimmt der Autor je Nationalmannschaft den am höchsten bewerteten Spieler. Für die Kaderfunktion werden zunächst die jeweils zwei bestbewerteten Spieler je Position ausgewählt. Der Artikel stellt für Brasilien fest, dass dieses Verfahren mehr als 26 Spieler ergeben kann, weil es ungefähr 15 Positionsgruppen gibt; eine Begrenzung auf genau 26 wird als mögliche Anpassung erwähnt, aber nicht umgesetzt. Die durchschnittliche `overall`-Bewertung dieser Auswahl dient dazu, die Teams zu ordnen.
Für die Startelf vergleicht der Code drei vorgegebene Systeme: 4–3–3, 4–4–2 und 4–2–3–1. Er wählt für die sieben Teams mit den höchsten durchschnittlichen Kaderwerten die Formation mit der höchsten durchschnittlichen Spielerbewertung. Genannt werden Spanien (4–2–3–1, 85,1), Portugal (4–2–3–1, 84,9), England (4–4–2, rund 84,45), Brasilien (4–3–3, rund 84,82), Frankreich (4–2–3–1, 83,9), Argentinien (4–3–3, rund 83,55) und Deutschland (4–2–3–1, 84,1). Zu diesen Teams zeigt der Beitrag jeweils eine Spielfeldgrafik der errechneten Startelf.
Die Ergebnisse sind als Auswertung von FIFA-22-Spielwerten zu verstehen, nicht als unabhängige Messung realer Leistungsfähigkeit oder als taktische Bewertung. Die Auswahl hängt von der Spielbewertung, der zuerst genannten Position und den drei getesteten Formationen ab. Obwohl der Text die Berücksichtigung tatsächlich nominierter Spieler ankündigt, beschreibt er konkret eine Länderauswahl und eine manuelle Liste entfernter Namen; eine vollständige Prüfung der WM-Kader wird nicht erläutert. Auch der beispielhaft gebildete Kader hat zunächst nicht zwingend genau 26 Spieler. Der Beitrag liefert vor allem eine nachvollziehbare Python-Vorgehensweise und stellt den vollständigen Code auf GitHub in Aussicht.
Gegengeprüft von Claude Haiku 5.5: kleine Mängel
Die mittlere Zusammenfassung wurde als Hauptfassung geprüft; die kurze Fassung ist sachlich korrekt, aber knapper. Lunas Stufe 4 bei SF-H3 ist zu hoch, weil keine belastbaren Belege zur Modellherkunft vorliegen. Der Anteil von 48 Prozent ist für die Bewertung nicht maßgeblich.
Im Bericht, aber nicht in der Zusammenfassung
- Die Ergebnisse der Traumteam-Auswahl und die besten Spieler je Land werden nicht genannt
- Die Rangliste nach durchschnittlicher Kaderbewertung und die Durchschnittswerte der Formationen fehlen
- Der Hinweis, dass die meisten Spieler eine Bewertung von 65 bis 67 haben, fehlt
- Die Spielfeldgrafik als Ausgabe der Auswertung wird nicht erwähnt
Wie die Modelle den Bericht einordnen
Ansicht
Filter
Modelle teilen und schützen
- SF-H3 Wie lässt sich nachverfolgen, woraus ein Modell entstanden ist und was in ihm steckt?
- clef 100 %kein Bezug
- Luna 48 %einzelne zitierbare Belege
- JEV 24 %beantwortet teilweise oder widerspricht
- amos 100 %kein Bezug
- SubQ 100 %kein Bezug
- drex 100 %kein Bezug
- d3-ultra 100 %kein Bezug
- Haiku-Prüfung Hintergrund, keine Belege