BQ Query calculate shot distance
/ 20
BQ Query calculate shot angle
/ 20
BQ Query expected goal with ML
/ 20
BQ Query model for expected goals
/ 20
BQ Query model unlikely goals
/ 20
Los datos que se usan en este lab provienen de las siguientes fuentes:
En este lab, aprenderás a hacer lo siguiente:
Lee estas instrucciones. Los labs cuentan con un temporizador que no se puede pausar. El temporizador, que comienza a funcionar cuando haces clic en Comenzar lab, indica por cuánto tiempo tendrás a tu disposición los recursos de Google Cloud.
Este lab práctico te permitirá realizar las actividades correspondientes en un entorno de nube real, no en uno de simulación o demostración. Para ello, se te proporcionan credenciales temporales nuevas que utilizarás para acceder a Google Cloud durante todo el lab.
Para completar este lab, necesitarás lo siguiente:
Haz clic en el botón Comenzar lab. Si debes pagar por el lab, se abrirá un diálogo para que selecciones la forma de pago. A la izquierda, se encuentra el panel Detalles del lab, que tiene estos elementos:
Haz clic en Abrir la consola de Google Cloud (o haz clic con el botón derecho y selecciona Abrir el vínculo en una ventana de incógnito si ejecutas el navegador Chrome).
El lab inicia recursos y abre otra pestaña en la que se muestra la página de acceso.
Sugerencia: Ordena las pestañas en ventanas separadas, una junto a la otra.
De ser necesario, copia el nombre de usuario a continuación y pégalo en el diálogo Acceder.
También puedes encontrar el nombre de usuario en el panel Detalles del lab.
Haz clic en Siguiente.
Copia la contraseña que aparece a continuación y pégala en el diálogo Te damos la bienvenida.
También puedes encontrar la contraseña en el panel Detalles del lab.
Haz clic en Siguiente.
Haz clic para avanzar por las páginas siguientes:
Después de un momento, se abrirá la consola de Google Cloud en esta pestaña.
En la consola de BigQuery, se proporciona una interfaz para consultar tablas, incluidos conjuntos de datos públicos que ofrece BigQuery.
Se abrirá el cuadro de mensaje Te damos la bienvenida a BigQuery en la consola de Cloud. Este cuadro de mensaje contiene un vínculo a la guía de inicio rápido y las notas de la versión.
Se abrirá la consola de BigQuery.
Una vez que se creen las tablas, la pantalla será similar a la siguiente:
En la siguiente sección, obtén más información sobre la creación de funciones en BigQuery.
En esta sección, crearás algunas funciones definidas por el usuario en BigQuery que ayudan con los cálculos de distancia y ángulo del tiro, lo que permite preparar los datos de eventos de fútbol para su uso eventual en un modelo de AA.
Para entender por qué se necesita la función, comienza por observar en detalle el campo positions en la tabla events. Este es un campo repetido que contiene 1 o más pares (x, y) por evento.
Según Wyscout, una empresa líder en datos de la industria del fútbol que proporcionó esta información, estos valores representan las posiciones de origen y (si corresponde) destino asociadas con el evento, en una escala de 0 a 100 que representa el porcentaje del campo desde la perspectiva del equipo atacante. Consulta la captura de pantalla de la tabla que se muestra a continuación, en la que se indican las posiciones correspondientes a algunos tipos de eventos diferentes para algunos eventos de ejemplo.
El primer par (x, y) en las posiciones de los eventos que son tiros representa la ubicación en el campo desde la que se originó el tiro.
Esto especifica el nombre de la función, las entradas y sus tipos (2 números enteros), el tipo de salida (un número de punto flotante) y la lógica real que implementa la fórmula de distancia bidimensional en las distancias de coordenadas x e y escaladas.
En la sección Resultados de la consulta, debería aparecer un mensaje que diga Con esta sentencia, se creó una nueva función llamada:
Haz clic en Revisar mi progreso para verificar el objetivo
El proceso general aquí es similar al cálculo de la distancia del tiro, pero aplicado al ángulo del tiro. En este caso, el ángulo calculado es el que se forma entre la ubicación del tiro y la línea de gol, como se muestra a continuación (imagen de Ian Dragulet).
Los ángulos más grandes se producen cuando se está cerca del objetivo y en el centro, por lo que esto está algo correlacionado con el cálculo de la distancia realizado anteriormente. Los cálculos del ángulo de tiro implican el uso de funciones trigonométricas de BigQuery en los datos (x, y).
Haz clic en Revisar mi progreso para verificar el objetivo
En esta sección, usaste BigQuery para crear funciones que calculan la distancia y el ángulo del tiro.
En la siguiente sección, aprenderás a crear un modelo para calcular los goles esperados usando la distancia y el ángulo de cada tiro.
En esta sección, usarás BigQuery ML para crear y ejecutar modelos de aprendizaje automático en BigQuery con consultas en SQL estándar. En este caso, crearás modelos de goles esperados con los datos de eventos de fútbol para predecir la probabilidad de que un tiro se convierta en gol según su tipo, distancia y ángulo (se sabe que estos son buenos predictores de la probabilidad de un gol, como se demostró en el lab Análisis de datos de fútbol en BigQuery).
Los modelos de goles esperados son de uso frecuente en el análisis de fútbol para medir la calidad de los tiros y la capacidad de definición o atajada en función de la calidad del tiro, y tienen una variedad de aplicaciones tanto en el análisis retrospectivo de partidos como en la realización de proyecciones.
Primero, ajustarás un modelo de regresión logística a los datos.
La sección superior es el código de generación del modelo real, que especifica el tipo de modelo y la etiqueta para la variable de resultado. La sentencia SELECT crea la variable de resultado isGoal, junto con los atributos de interés de los datos del evento, incluidos la distancia y el ángulo del tiro calculados con las funciones creadas en el paso anterior. Las uniones permiten determinar de qué competencia provino cada tiro, lo que se emplea para filtrar los datos de la Copa Mundial de este modelado (guardados para su uso posterior después de que se ajusta el modelo).
En la sección Resultados de la consulta, debería aparecer un mensaje que diga Con esta sentencia, se creará un nuevo modelo llamado:
Se abrirá una nueva pestaña con información sobre el modelo que se acaba de entrenar.
Haz clic en Revisar mi progreso para verificar el objetivo
Dado que el interés principal radica en la exactitud de las probabilidades de gol del modelo (no en la exactitud explícita en términos de predecir 0 y 1 en un umbral determinado), la pérdida logística y el AUC de ROC son buenas métricas en las que enfocarse. Los números en sí son más útiles para comparar diferentes modelos, lo que se hace en una sección posterior.
Ahora que ajustaste el modelo de regresión logística, puedes usar la funcionalidad de pesos de BigQuery ML para ver los coeficientes del modelo para cada predictor.
En el EDITOR de consultas, haz clic en "+" (Consulta en SQL).
Copia el siguiente código y pégalo en el EDITOR de consultas: Esta es una llamada simple a la función ML.WEIGHTS para el modelo de regresión logística que ajustaste en el paso anterior:
Hay pesos para cada entrada: un único peso numérico para los atributos continuos y 1 valor por categoría potencial para los atributos categóricos, que corresponden a coeficientes en un modelo de regresión logística. A veces es peligroso interpretar directamente los coeficientes del modelo de regresión logística debido a la correlación entre los predictores, por ejemplo.
Como mínimo, el signo de estos valores parece razonable según el conocimiento general sobre el fútbol:
Ver estos resultados puede dar cierta confianza de que el modelo está haciendo algo lógico.
A continuación, ajustarás un modelo de árbol con boosting a los datos usando la implementación de XGBoost de BigQuery ML y compararás los resultados con el modelo de regresión logística ajustado anteriormente. En teoría, los árboles con boosting pueden ser más precisos debido a su capacidad de tener en cuenta las relaciones no lineales entre los atributos y el resultado, así como las interacciones entre los atributos.
La sentencia de SQL es idéntica a la que se usa para ajustar la regresión logística anterior, excepto por los cambios en el tipo de modelo para elegir un clasificador de árbol con boosting y el nombre del objeto de modelo creado.
Mientras esperas, consulta esta descripción general de BigQuery ML.
Se abrirá una nueva pestaña con información sobre el modelo que se acaba de entrenar.
La pérdida logística y el AUC de ROC del modelo de árbol con boosting son bastante similares a los del modelo de regresión logística, pero ligeramente peores (mayor pérdida logística y menor AUC de ROC).
Haz clic en Revisar mi progreso para verificar el objetivo
En esta sección, se usó BigQuery para ajustar modelos de aprendizaje automático con datos de fútbol. Un modelo de goles esperados se puede crear de varias maneras.
En la siguiente sección, aprende a aplicar un modelo de goles esperados a datos nuevos con BigQuery ML.
Ahora que ajustaste un modelo de goles esperados con una precisión y explicabilidad razonables, puedes aplicarlo a datos “nuevos”; en este caso, la Copa Mundial 2018 (que se dejó fuera del ajuste del modelo).
El modelo de regresión logística creado en el paso anterior se usará para evaluar la dificultad de cada tiro y gol en esa competencia, lo que permitirá identificar los goles más "impresionantes" del torneo.
Puedes usar la funcionalidad de predicción de BigQuery ML con el modelo de regresión logística ajustado en el paso anterior (o incluso el modelo de árbol con boosting, si lo prefieres) para observar la probabilidad de que cada tiro anote o no en la Copa Mundial.
Esto llama a la función ML.PREDICT en el modelo de regresión logística que se ajustó anteriormente.
La sentencia SELECT crea los mismos campos en todos los tiros de los datos de events que se usaron para ajustar el modelo, pero esta vez filtra solo los partidos de la Copa Mundial (en lugar de dejarlos fuera), ya que esos son los tiros a los que se aplicará el modelo.
El resultado muestra un par de campos relacionados con la predicción, junto con los campos originales de esos datos: tipo de tiro, distancia, ángulo y éxito:
A partir de la sección anterior, que arrojó probabilidades para todos los tiros en la Copa Mundial 2018, usa BigQuery para extraer la probabilidad de cada gol y, luego, ordenar de menor a mayor para ver los goles más improbables anotados en la Copa Mundial en función de los factores del modelo.
En teoría, esto debería generar una lista de algunos de los goles más impresionantes del torneo, al menos según los factores del modelo (distancia, ángulo, etcétera).
Esto se basa en la llamada a la función ML.PREDICT de la sección anterior, filtrando solo los tiros que fueron gol (sin incluir los penales, ya que el objetivo es obtener los goles más "impresionantes"), extrayendo solo la probabilidad de que se marque un gol de las predicciones y ordenando según ese valor.
Se agregan algunos campos en la sentencia SELECT a partir de los datos de events y de las demás tablas que pueden unirse a ella, para obtener otra información de interés sobre cada gol, como el jugador y el equipo que lo anotaron, la fecha y la información del partido, y el minuto del gol dentro del encuentro.
Haz clic en Revisar mi progreso para verificar el objetivo
Las primeras líneas muestran los goles de la Copa Mundial 2018 que, según el modelo, tenían la menor probabilidad de entrar: todos con distancias de tiro bastante largas (cerca de 30 metros) y ángulos relativamente cerrados (entre 10° y 15°).
Para una validación visual, puedes mirar el gol de Antoine Griezmann que ocupa el primer lugar en la lista; aunque, siendo justos, es más un gol poco probable que uno impresionante, según cómo lo jugó el arquero.
Para ver un gol más espectacular, en línea con lo que este análisis busca destacar, mira este increíble tiro de Son Heung-min, de la República de Corea, contra México, que ocupó el segundo lugar en los resultados.
En la siguiente sección, pon a prueba tu comprensión de lo que aprendiste en esta introducción a BigQuery ML.
Completa un breve cuestionario sobre los temas abordados en este lab para poner a prueba tus conocimientos sobre BigQuery.
Creaste modelos de aprendizaje automático con datos de fútbol. Creaste funciones definidas por el usuario en BigQuery para calcular la distancia y el ángulo de los tiros; luego, usaste BigQuery ML para crear un modelo de goles esperados y usaste la funcionalidad de predicción de BigQuery ML en datos “nuevos” de la Copa Mundial 2018 para determinar algunos de los goles más impresionantes del torneo.
Recibe la formación que necesitas para aprovechar al máximo las tecnologías de Google Cloud. Nuestras clases incluyen habilidades técnicas y recomendaciones para ayudarte a avanzar rápidamente y a seguir aprendiendo. Para que puedas realizar nuestros cursos cuando más te convenga, ofrecemos distintos tipos de capacitación de nivel básico a avanzado: a pedido, presenciales y virtuales. Las certificaciones te ayudan a validar y demostrar tus habilidades y tu conocimiento técnico respecto a las tecnologías de Google Cloud.
Última actualización del manual: 30 de enero de 2025
Prueba más reciente del lab: 30 de enero de 2025
Copyright 2026 Google LLC. All rights reserved. Google y el logotipo de Google son marcas de Google LLC. Los demás nombres de productos y empresas pueden ser marcas de las respectivas empresas a las que estén asociados.
Este contenido no está disponible en este momento
Te enviaremos una notificación por correo electrónico cuando esté disponible
¡Genial!
Nos comunicaremos contigo por correo electrónico si está disponible
Un lab a la vez
Confirma para finalizar todos los labs existentes y comenzar este
