Представляя игроков в виде точек и отслеживая их движения, методы науки о данных теперь могут изучать поведение игроков и предоставлять тренерам / руководителям команд представление об улучшении планирования игры и о том, какие игры следует выполнять на протяжении всего отрезка для достижения максимального успеха. Статистика всегда использовалась в спорте, но насколько точно базовая статистика измеряет поведение игроков? Являются ли они точным показателем того, что чувствуют тренеры и спортивные аналитики? Чувство игры и проверка зрения - важный навык, которым обладают тренеры и эксперты, но как вы можете количественно оценить это качественное ощущение? Например, в баскетболе средний болельщик может определить, когда игрок делает неудачный бросок, потому что он сильно оспаривался или был более высокий процент бросков, чем мог бы сделать другой товарищ по команде, но как это измерить? Такие компании, как Second Spectrum, объединяются с различными командами NBA и используют машинное обучение и распознавание пространственно-временных образов, чтобы помочь ответить на эти вопросы. Простое описание / иллюстрация того, как эта информация фиксируется системой STATS SportVU:

‘STATS SportVU использует систему с шестью камерами, установленную на баскетбольных аренах, для отслеживания положения игроков и мяча в реальном времени 25 раз в секунду. Используя эти данные отслеживания, STATS может создавать множество инновационных статистических данных, основанных на скорости, расстоянии, расстоянии между игроками и владении мячом ».

Используя эти инструменты, каждое движение игрока каждую секунду может быть записано в виде данных. Затем модель машинного обучения использует эти данные / движение для изучения поведения игроков. Машина может научиться распознавать важную терминологию, например, что означает пас, отскок, бросок. Могут быть идентифицированы даже продвинутые игры, такие как пик / роллы, пост-подъемы и опускание экрана. Что еще более удивительно, так это то, что по мере сбора информации машины обучаются и со временем становятся более точными. Проще говоря, модель машинного обучения сортирует, что является выстрелом, а что нет, или что такое выбор и ролл, а что нет. Он собирает информацию, классифицируя и идентифицируя множество вариаций пьес. В конечном итоге машины могут определить, когда эти игры были наиболее эффективными, определяя, когда и какой тип игры привел к успеху (то есть очков).

Вот несколько визуальных эффектов того, что модель машинного обучения улавливает за секунду:

Тренерский штаб и команды могут затем использовать эту информацию, чтобы начать определять такие вещи, как то, какие игроки показывают самый высокий уровень успеха после использования выбора и броска. Какие комбинации игроков наиболее эффективны, когда игра поставлена ​​на карту? Какие игры увеличивают возможность забить, когда команде это нужно больше всего?

Наивысшая ценность выстрела

Более конкретное применение этой технологии - дробное значение. В настоящее время наиболее распространенным и общепринятым методом определения того, является ли игрок хорошим стрелком, является процент его эффективных бросков с игры (EFG%). Это просто соотношение сделанных снимков к сделанным. Поскольку 3 указателя стоят больше, EFG также весит на 3 указателя больше. Проще говоря, EFG фиксирует способность сделать выстрел, но не дает количественной оценки качества выстрела. Могу ли я сделать из моих лучших стрелков лучшие снимки, которые позволят добиться наивысшего успеха? Насколько важны такие факторы, как оспариваемый бросок или насколько близок был защитник к стрелку? Как я могу запечатлеть возможности и качество кадра и сделать его лучше?

Некоторые из наиболее важных характеристик, которые второй спектр использует для определения эффективного качества броска (ESQ), - это расстояние от защитника до стрелка и ловля-и-стрелять по сравнению с броском с мячом. Затем они улучшают метрику EFG, вводя коэффициент ESQ, чтобы действительно измерить ценность стрельбы. Некоторые другие функции второго спектра включают в себя для определения качества выстрела: расстояние выстрела, угол выстрела, расстояние защитника, угол защитника, скорость игрока и угол скорости игрока.

Визуал EFG:

Выше показаны шансы среднестатистического игрока НБА, сделавшего бросок с разных дистанций. Чем ближе вы к корзине, тем выше ваши шансы. Стрельба из-за пределов 22-футовой линии возвращает более высокие баллы (3 балла). Помимо EFG (способности к стрельбе) есть другие факторы, которые влияют на ценность выстрела.

Компоненты качества броска: Дистанция защитника и Бросок лови и стреляй против броска с ведения.

Эта тепловая карта показывает, что чем дальше расстояние между защитником и стрелком, тем выше вероятность попадания в цель. По мере увеличения расстояния защитников на 1 фут шансы попасть в цель примерно на 9%. Тренеры должны разрабатывать игры, в которых стрелки получают самые лучшие стрельбы с максимально открытой диафрагмы. До появления системы STATS Sports VU информация о каждом игроке в каждый момент не фиксировалась.

Еще один важный аспект качества броска - это был ли бросок «вне игры» или «поймал и бросил». «Поймай и брось» означает за мгновение до того, как стрелок получил пас, а затем бросил мяч без ведения. В случае ловли и удара более вероятно, что между стрелком и защитником есть некоторое расстояние, а игра была разработана для ловли и стрелка, поэтому шансы, что они будут открыты, также выше. Кроме того, если не ловить и стрелять, более вероятно, что стрелок был уравновешен и был способен прицелиться при стрельбе, что означает более высокую вероятность попадания в цель и лучший выстрел. Отсутствие ведения означает, что стрелок, вероятно, был более неуравновешен при стрельбе, что нарушает основы стрельбы. Это также означает, что если у стрелка / игрока мяч в руке, то на этого игрока больше глаз, и очень вероятно, что стрелок / игрок уже защищается противоположной командой, что означает более сложный бросок.

Принимая во внимание эти переменные (расстояние защитника и дистанционное ведение по сравнению с захватом), а также некоторые другие (например, расстояние броска, угол броска, скорость игрока, угол скорости игрока), второй спектр спроектировал модели, чтобы увидеть, какая модель была использована. лучше всего предсказывает качество выстрела. Они определяют лучшую модель, которая вернула наименьшую среднеквадратичную ошибку (MSE). Некоторые из использованных моделей включали деревья решений (с использованием ID3, M5P), логистическую регрессию, регрессию гауссовского процесса. Некоторые методы анализа данных, используемые для проверки моделей, включали разделение тестовых поездов и 10-кратную перекрестную проверку.

Этот график иллюстрирует способность игроков к броску и качество броска, который они делают. Подобные графики могут помочь генеральным менеджерам, руководителям и командам принять решение о том, делает ли игрок, которому они собираются заплатить миллионы, хорошие выстрелы и хорошо ли стреляет. Какую комбинацию игроков предпочла бы команда? Что лучше: заплатить одному хорошему стрелку, который делает хорошие снимки, или нескольким хорошим игрокам, которые делают хорошие снимки, но в целом стоят меньше? Подобные визуальные эффекты и идеи могут помочь командам лучше ответить на этот вопрос.

Применение в реальном мире:

В этом примере, используя технологию Second Spectrum, мы можем каждую секунду видеть значение выстрела игрока. В этом случае у Антетокунмпо есть шанс 34% сделать этот бросок, когда он находится рядом с линией штрафного броска и имеет защитника в нескольких футах от него. Должен ли он выстрелить в этот выстрел? Или он должен отдать мяч более открытому игроку, как Ильясова, для ловли и удара с тремя точками, у которого также больше шансов сделать этот бросок? Или он должен передать мяч Снеллию, который находится ближе к корзине и имеет наибольшие шансы на попадание в корзину?

… В данном случае Антетокунмпо нанес наименее удачный выстрел, но все же сделал его. В конце концов, он MVP.

Использованная литература: