Die Vorhersage der Ergebnisse von Fußballspielen ist von hohem Interesse. Das liegt nicht nur an der Popularität der Sportart und der Freude an privaten „Tipprunden“, sondern auch an dem großen Sportwettenmarkt. Wo früher Fachwissen und Intuition eingesetzt wurden, gibt es heutzutage Modelle, die große Mengen an Daten analysieren und darauf basierend Vorhersagen treffen. Neben den PoissonPoisson-Modellen werden zunehmend auch Ansätze verwendet, die in die Kategorie Machine Learning (ML) fallen. Dazu zählen zum Beispiel neuronale NetzeNeuronales Netz oder Random-ForestRandom Forest-Modelle. In diesem Artikel werden diese beiden ML-Ansätze sowohl untereinander als auch mit PoissonPoisson-Modellen bzgl. der Einzelspielvorhersage verglichen. Als Datenbasis werden jeweils die Spielergebnisse einer Saison verwendet. Die Analyse wird für 5 europäische Top-Ligen durchgeführt. Eine statistische Analyse zeigt, dass sich die Leistungsstärken der Teams während einer Saison nicht systematisch ändern. Um die Leistungsstärke möglichst genau zu charakterisieren, können somit mit gleichem Gewicht sämtliche Spielergebnisse, mit Ausnahme des vorherzusagenden Spiels, als Features verwendet werden. Es zeigt sich, dass sowohl die exakte Wahl der Features, als auch die Wahl des Modells nur einen geringen Einfluss auf die Vorhersagequalität aufweisen. Mögliche Verbesserungen bei der SpielvorhersageSpielvorhersage werden diskutiert.