Аналитика баскетбола на основе сетевых наук - Network Science Based Basketball Analytics

Сетевые науки основан баскетбол аналитика включают в себя различные недавние попытки применить сетевую перспективу к анализу баскетбола.

Обзор

Традиционный статистика баскетбола анализировать людей независимо от их товарищей по команде или конкурентов и традиционных игроков позиции определяются по индивидуальным признакам. Напротив, эта сетевая аналитика достигается путем построения сетей игроков на уровне команды или лиги, где отдельные игроки узлы связанных движением мяча или некоторыми мера сходства. Затем метрики получаются путем расчета свойств сети, таких как степень, плотность, центральность, кластеризация, расстояние Такой подход обогащает анализ баскетбола новой статистикой индивидуального и командного уровня и предлагает новый способ определения позиции игроку.

Статистика на уровне команды

Наибольший вклад в показатели командного уровня внесли Университет штата Аризона исследователи во главе с Дженнифер Х. Фьюэлл. Используя данные первого раунда плей-офф НБА 2010 года, они построили сети для каждой команды, используя игроков в качестве узлов и движение мяча между ними в качестве звеньев. Они различают компромисс между необязательно взаимоисключающим разделением труда и непредсказуемостью команды, которые измеряются потоком спуска в гору и энтропией команды соответственно.[1]

Энтропия команды - показатель непредсказуемости и вариативности атак команд, более высокая энтропия означает большее разнообразие. Рассчитывается как агрегированный индивидуальный Энтропии Шеннона, где непредсказуемость измеряется как неопределенность движения шара между любыми двумя узлами.[1]

Флюс под гору - измеряет разделение труда или опыт перемещения мяча игроку с лучшим процентом бросков. По данным Fewell et al. Его можно интерпретировать как среднее изменение потенциального процента стрельбы за проход.[1] Показатель рассчитывается как сумма разностей между процентами стрельбы узлов на концах каждого края.

,

где p ij вероятность связи между игроками i и j, xя и хj их процент стрельбы.[1]

Другие меры включают

Коэффициент кластеризации команды - прямое нанесение коэффициент кластеризации. Он измеряет, насколько взаимосвязаны игроки, движется ли мяч через один узел или разными способами между всеми игроками.[1]

Центральность командных степеней - аналогично предыдущей метрике, он измеряет, есть ли в команде один доминирующий игрок. Рассчитывается по формуле

где deg (v) - степень вершины v, deg (v*) - узел наивысшей степени, V - количество узлов.

Комбинация низкой кластеризации и высокой степени центральности означает, что защита может поставить двойную команду на доминирующего игрока, поскольку без него команда с мячом испытывает проблемы с перемещением мяча.[1]

Средняя длина пути - количество передач за игру.[1]

Скорость потока на пути - количество проходов в единицу времени. Он измеряет, насколько быстро команда перемещает мяч.[1]

Отклонение от максимального рабочего потенциала - использование игроков в качестве узлов и движений мяча и звеньев и истинный процент стрельбы в качестве эффективности можно провести аналогию с сеть трафика. Предполагается, что у каждого человека есть кривая навыков f (x), которая уменьшается по количеству сделанных выстрелов. Индивидуальное повышение эффективности выхода тогда как максимальная эффективность достигается путем решения, куда

Разница между этими двумя и есть отклонение команд от максимального потенциала.[2]

Индивидуальная статистика

Соотношение успехов / неудач - количество раз, когда игрок (узел) участвовал в успешной игре, деленное на количество раз, когда игрок участвовал в неудачной игре. Метрика получается из командной игры по игровой сети.[1]

Недостаточная / повышенная производительность - метрика рассчитывается путем сопоставления двудольной сети игроков. Игроки связаны, если они были частью одной команды. Связи зависят от того, насколько успешной была команда, в которой игроки играли вместе. Затем меры центральности узлов сравниваются с эталонными распределениями центральности для каждого узла, полученными с помощью бутстрап - процедуры рандомизации и рассчитываются p - значения. Например p - значение игрока я дан кем-то :

, где πя* - эталонная оценка центральности, πя0 - рассчитанная оценка центральности, J - количество итераций. Высокие значения p указывают на недостаточную производительность, низкие - на превышение производительности.[3]

Недостаточное использование - игрок недостаточно задействован к тому времени, если у него низкая степень центральности, но он слишком эффективен[3]

Позиции игроков

Студент Стэнфордского университета классифицировал новые баскетбольные позиции Мутху Алагаппан, которые, работая в компании по визуализации данных Аясди нанесли на карту сеть игроков НБА за один сезон, связав их по схожести статистических данных. Затем на основе кластеров узлов игроки были сгруппированы на 13 позиций.[4]

Атакующий проводник с мячомИгрок, специализирующийся на подсчет очков и владение мячом, но имеет низкие средние ворует и блоки.

Защитный проводник с мячомИгрок, специализирующийся на помощь и кража мяча, но средний по результативности и броску.

Комбо-хендлерИгрок, который выше среднего в нападении и защите, но не преуспевает ни в одном.

Стрелковый игрок с мячомИгрок, у которого выше среднего по количеству попыток броска и набранным очкам за игру.

Ролевые игры с мячомТем, кто играет несколько минут и не оказывает большого влияния на команду.

3-точечный ребаундерКрупный мужчина и проводник с мячом выше среднего подборы и трехочковые броски попытался и сделал.

Ребаундер скорингаИгрок с высокими показателями и средними показателями отскока.

Краска протекторТе, кого ценят за блокировку и подбор, но с низкими средними баллами.

Подрезка защитной краскиИгроки, которые и в нападении и в защите хороши, и в краске.

Первая команда НБАТе, у кого средний показатель по большинству статистических категорий.

2-я команда НБАПохоже, но немного хуже, чем у игроков первой команды НБА.

Ролевой игрокПохоже, но хуже, чем у игроков второй команды НБА.

Единственный в своем родеТе, которые настолько хороши и исключительны, что их нельзя разделить на категории.[4]

Смотрите также

Сетевая наука

Теория графов

Мутху Алагаппан

APBRmetrics

внешняя ссылка

Рекомендации

  1. ^ а б c d е ж грамм час я Фьюэлл Дж. Х., Армбрустер Д., Ингрэм Дж., Петерсен А., Уотерс Дж. С. (2012) Баскетбольные команды как стратегические сети. PLoS ONE 7 (11): e47445. DOI: 10.1371 / journal.pone.0047445 http://www.plosone.org/article/info%3Adoi%2F10.1371%2Fjournal.pone.0047445
  2. ^ Брайан Скиннер (2011) Цена анархии в баскетболе, журнал количественного анализа в спорте 6 (1), 3 (2010), https://arxiv.org/abs/0908.1801v4
  3. ^ а б Пьетт, Дж., Фам, Л. и Ананд, С. (2011) «Оценка результатов баскетболистов с помощью статистического сетевого моделирования», Конференция Sloan Sports Analytics, (Бостон, США), http://www.sloansportsconference.com/wp-content/uploads/2011/08/Evaluating-Basketball-Player-Performance-via-Statistical-Network-Modeling.pdf
  4. ^ а б Джефф Бекхэм «Аналитика выявила 13 новых баскетбольных позиций», "https://www.wired.com " 04.30.2012