Nos últimos anos, o avanço da tecnologia e a crescente disponibilidade de dados impulsionaram a aplicação de Machine Learning (ML) no futebol, permitindo análises avançadas e previsões mais precisas. O ML, que é um ramo da Inteligência Artificial (IA), tem se destacado pela sua capacidade de identificar padrões em grandes volumes de dados e melhorar suas decisões. No futebol, técnicas de ML são utilizadas para analisar desempenho de jogadores, prever resultados de partidas e otimizar algumas estratégias táticas. Estudos pesquisados demonstram o potencial de algoritmos como Redes Neurais, Árvores de Decisão e Support Vector Machines (SVM) na previsão de partidas, enquanto abordagens baseadas em deep learning vêm sendo exploradas para melhorar a precisão das previsões. Apesar dos avanços, desafios como dados não de melhor qualidade e modelos excessivamente ajustados a algum dado ainda limitam a eficácia dos modelos. Sendo assim, este trabalho tem como objetivo realizar uma comparação de diferentes algoritmos de ML aplicados à previsão de resultados no futebol, avaliando sua eficiência em vários cenários. A pesquisa buscará responder quais modelos oferecem maior precisão e quais métricas são mais adequadas para análise. Além disso, pretende-se propor melhorias para tornar previsões mais confiáveis. Este estudo contribui na aplicação dessas técnicas, oferecendo para analistas esportivos, treinadores, jogadores, clubes e analistas. Dessa forma, o trabalho explora a ciência de dados e esportes (futebol), aplicando a ML na análise de desempenho no futebol.