運動數據分析最著名的就是魔球Money Ball這部電影了,根據球員的各項數據,從中找出被低估的球員,從而利用最小資源(預算)換取最大效益(優異的比賽成績),但根據運動性質不同,分析中遇到的困難與方法也有所不同。
跟棒球相比,籃球是一種球、球員、球員間交互作用頻繁,運動節奏相當快速的運動,如同橄欖球一樣,分析的話更不能光靠紙上數據分析。
而美國除了把這個原生運動商業化的淋漓盡致外,在運動領域的數據分析上也十分厲害。這次要介紹的就是是利用數學距離 + 機器學習,透過裝在球員身上的追蹤器,分析場上的跑動與球、球員、球員間的關係做出的即時性分析系統,NBA已不少隊伍使用,同時顯示美國在相關領域中的發展。
上面截圖顯示的是一段紅隊二次進攻的過程。紅隊第一次進攻不進,隊友搶到籃板,再傳到外圍第二次得分的過程。中間過程中投球品質、籃板球落點、獲得籃板球員機率都數據化並視覺化顯示出來。除了這些基本數據如傳球、投籃、籃板外,軟體還能識別球員的動作,持球者的單擋反向移動或正向、低位單打、佯攻、拉開單打,還是非持球者的掩護、擋拆後有無換防、擋拆後同向移動等等,也都能辨認出來。因為籃球最重要也最難分析的就是擋拆,擋拆後的狀況十分複雜,詳情可以見影片中5'00到5'30有各式擋拆後狀況的相關術語。
跟棒球相比,籃球是一種球、球員、球員間交互作用頻繁,運動節奏相當快速的運動,如同橄欖球一樣,分析的話更不能光靠紙上數據分析。
而美國除了把這個原生運動商業化的淋漓盡致外,在運動領域的數據分析上也十分厲害。這次要介紹的就是是利用數學距離 + 機器學習,透過裝在球員身上的追蹤器,分析場上的跑動與球、球員、球員間的關係做出的即時性分析系統,NBA已不少隊伍使用,同時顯示美國在相關領域中的發展。
上面截圖顯示的是一段紅隊二次進攻的過程。紅隊第一次進攻不進,隊友搶到籃板,再傳到外圍第二次得分的過程。中間過程中投球品質、籃板球落點、獲得籃板球員機率都數據化並視覺化顯示出來。除了這些基本數據如傳球、投籃、籃板外,軟體還能識別球員的動作,持球者的單擋反向移動或正向、低位單打、佯攻、拉開單打,還是非持球者的掩護、擋拆後有無換防、擋拆後同向移動等等,也都能辨認出來。因為籃球最重要也最難分析的就是擋拆,擋拆後的狀況十分複雜,詳情可以見影片中5'00到5'30有各式擋拆後狀況的相關術語。
這些都是機器學習的技術問題,主要就是球、球員、球員間的距離關係。軟體的實際演練在影片前面1'50到2'10就展示過了,我還是提供幾張截圖在下面。
所有球員的相關動作都會被顯示且記錄下來(影片1'50到2'10),這就是教練的最佳數據參考,甚至提供30年老教練都接受的建議 ( 或許經過魔球老教練也變得Open-mind )。
其實整個畫面很像NBA 2KXX,但是是針對現實比賽,而且只要有數據,呈現就不難。
最後能夠透過這張投球命中率散佈圖,得到球員更全面的分析,橫軸是出手機率 (Shot Probability ),縱軸是投球能力 (Shooting Ability),以一位投球機率47%的球員來說,他出手機率比NBA平均少了2%,投球能力比平均少了2。如上圖所示,命中率47%的點畫一條直線,越右下表示越常出手或越輕鬆的出手,但投不進(爛射手),反之;越左上表示越少或越困難的出手但準度高。所以右上那群是正常人,左上那群是高手。
最後能夠透過這張投球命中率散佈圖,得到球員更全面的分析,橫軸是出手機率 (Shot Probability ),縱軸是投球能力 (Shooting Ability),以一位投球機率47%的球員來說,他出手機率比NBA平均少了2%,投球能力比平均少了2。如上圖所示,命中率47%的點畫一條直線,越右下表示越常出手或越輕鬆的出手,但投不進(爛射手),反之;越左上表示越少或越困難的出手但準度高。所以右上那群是正常人,左上那群是高手。
這系統除了能像魔球一樣選出經濟效益最高的球員外,其實是在探討人們移動的問題,當這種動態運動的移動都能分析得如此透徹時,就能做出更好的室內設計、城市規劃、購物途徑等等,讓人們自然做出更智慧更有效的移動。
沒有留言:
張貼留言