Network Science Based Basketball Analytics - Network Science Based Basketball Analytics

Síťová věda na základě Basketball analytika zahrnují různé nedávné pokusy aplikovat perspektivu sítí na analýzu basketbalu.

Přehled

Tradiční statistiky basketbalu analyzovat jednotlivce nezávisle na jejich spoluhráčích nebo konkurentech a tradičním hráči pozic jsou určeny jednotlivými atributy. Naproti tomu se tyto síťové analýzy získávají konstrukcí sítí hráčů na úrovni týmu nebo ligy, kde jsou jednotliví hráči uzly spojené pohybem míče nebo některými míra podobnosti. Potom se metriky získají výpočtem síťových vlastností, například stupeň, hustota, ústřednost, shlukování, vzdálenost atd. Tento přístup obohacuje analýzu basketbalu o nové statistiky na individuální a týmové úrovni a nabízí nový způsob přiřazení pozice hráči.

Statistiky na úrovni týmu

Největší příspěvek k metrikám na úrovni týmu přinesl Arizonská státní univerzita vědci pod vedením Jennifer H. Fewell. S využitím dat play-off NBA z prvního kola 2010 sestavili sítě pro každý tým pomocí hráčů jako uzlů a pohybu míče mezi nimi jako spojení. Rozlišují kompromis mezi nutně vzájemně se nevylučující dělbou práce a nepředvídatelností týmu, které se měří pomocí toku z kopce do kopce a entropie týmu.^[1]

Týmová entropie - míra nepředvídatelnosti a variability v přestupcích týmů, vyšší entropie znamená více variací. Vypočítává se jako agregovaná osoba Shannon entropuje, kde se nepředvídatelnost měří jako nejistota pohybu míče mezi libovolnými dvěma uzly.^[1]

Tok kopce do kopce - měří dělbu práce nebo odbornost v pohybu míče k hráči s nejlepším procentem střelby. Podle Fewell et al. Lze jej interpretovat jako průměrnou změnu potenciálního procenta střelby na jeden průchod.^[1] Metrika se počítá jako součet rozdílů mezi procenty střelby uzlů na koncích každé hrany

{ displaystyle F = součet _ {i neq j} p_ {ij} (x_ {i} -x_ {j})}

,

kde p _ij je pravděpodobnost vazby mezi hráči i a j, x_i a x_j jsou jejich procenta střelby.^[1]

Mezi další opatření patří

Koeficient shlukování týmu - přímá aplikace a shlukovací koeficient. Měří, jak jsou hráči vzájemně propojeni, zda se míč pohybuje jedním uzlem nebo zda v mnoha ohledech mezi všemi hráči.^[1]

Centrálnost týmu - podobně jako předchozí metrika měří, zda je v týmu jeden dominantní hráč. Vypočítá se podle vzorce

${ displaystyle C_ {D} = součet _ {v v V} { frac {deg (v ^ {*}) - deg (v)} { mid V mid -1}}}$

kde deg (v) je stupeň uzlu v, deg (v^*) je uzel nejvyššího stupně, V je počet uzlů.

Kombinace nízkého shlukování a vysokého stupně centrality znamená, že obrana může dát dominantnímu hráči dvojitý tým, protože bez něj má míčový tým problémy s pohybem míče.^[1]

Průměrná délka cesty - počet přihrávek na hru.^[1]

Rychlost toku - počet průchodů za jednotku času. Měří, jak rychle tým pohybuje míčem.^[1]

Odchylka od maximálního provozního potenciálu - používání hráčů jako uzlů a pohybu míče a odkazů a skutečné procento střelby jako účinnost lze obdobně učinit dopravní síť. Předpokládá se, že každý jedinec má dovednostní křivku f (x), která klesá v počtu pořízených snímků. Individuální maximalizace výnosu účinnosti ${ displaystyle f (x_ {1}) = f (x_ {2}) ... = f (x_ {i})}$ zatímco maximální efektivity je dosaženo řešením ${ displaystyle { frac {dF} {dx_ {1}}} = { frac {dF} {dx_ {2}}} ... = { frac {dF} {dx_ {i}}}}$ , kde ${ displaystyle F = x_ {1} f (x_ {1}) + x_ {2} f (x_ {2}) ... + x_ {3} f (x_ {3})}$

Rozdíl mezi těmito dvěma tvoří odchylku týmů od maximálního potenciálu.^[2]

Individuální statistiky

Poměr úspěchu / neúspěchu - počet, kolikrát byl hráč (uzel) zapojen do úspěšné hry, dělený počtem, kolikrát byl hráč zapojen do neúspěšné hry. Metrika se získává ze sítě týmových her.^[1]

Pod / nad výkon - metrika se počítá mapováním sítě bipartitních hráčů. Hráči jsou propojeni, pokud byli součástí jednoho týmu. Odkazy jsou váženy podle toho, jak úspěšný byl tým, kde hráči hráli společně. Pak se měřítka centrálnosti uzlů porovnávají s referenčními distribucemi centrálnosti pro každý uzel získanými pomocí bootstrap - jsou vypočítány randomizované postupy a hodnoty p. Například p - hodnota hráče i darováno :

${ displaystyle p_ {i} = { frac { suma _ {k = 1} ^ {J} (I | pi _ {i ^ {*} k} geq pi _ {i} ^ {0} )} {J}}}$ , kde π_i^* je referenční skóre centrality, π_i⁰ je vypočítané skóre centrálnosti, J - počet iterací. Vysoké hodnoty p označují podvýkon, nízké nadvýkony.^[3]

Nedostatečné využití - hráč je v té době nedostatečně využíván, pokud má nízkou úroveň ústřednosti, ale má nadměrné výkony^[3]

Pozice hráčů

Nové pozice v basketbalu klasifikoval student univerzity ve Stanfordu Muthu Alagappan, kteří při práci pro společnost pro vizualizaci dat Ayasdi zmapoval síť hráčů NBA jedné sezóny, která je spojovala, podle podobnosti jejich statistik. Poté byli hráči na základě seskupení uzlů seskupeni do 13 pozic.^[4]

Útočný manipulátor s míčemHráč se specializací na Bodování a manipulace s míčem, ale má nízké průměry krade a bloky.

Obranný manipulátor míčeHráč, který se specializoval na pomáhat a ukradl míč, ale je průměrný v skórování a střelbě.

Kombinovaný manipulátor s míčemHráč, který je nadprůměrný v útoku i obraně, ale nijak nevyniká.

Střelba manipulátoru s míčemHráč, který je nadprůměrný v pokusech o střelu a bodovaných bodech za hru.

Role-hrát míč manipulátorTi, kteří hrají několik minut a nemají velký dopad na tým.

3-bodový odskakovačVelký muž a manipulátor míče s nadprůměrným průměrem odskočí a tříbodové střely pokusil se a udělal.

Bodující odskakující hráčHráč s vysokým průměrem skórování a odrazu.

Chránič barvyTi, kteří si cenili blokování a odskoku, ale s nízkým průměrem získaných bodů.

Chránič barvyHráči, kteří jsou dobří i útoční a obranní v barvě.

1. tým NBATi, kteří mají výše uvedené průměry ve většině statistických kategorií.

2. tým NBAPodobné, ale o něco horší než hráči 1. týmu NBA.

Role PlayerPodobné, ale horší než hráči druhého týmu NBA.

Jediný svého druhuTy, které jsou tak dobré a výjimečné, že je nelze kategorizovat.^[4]

Viz také

externí odkazy

Reference

^ ^A ^b ^C ^d ^E ^F ^G ^h ⁱ Fewell J.H., Armbruster D, Ingraham J, Petersen A, Waters JS (2012) Basketball Teams as Strategic Networks. PLoS ONE 7 (11): e47445. doi: 10,1371 / journal.pone.0047445 http://www.plosone.org/article/info%3Adoi%2F10.1371%2Fjournal.pone.0047445
^ Brian Skinner (2011) The Price of Anarchy in Basketball, Journal of Quantitative Analysis in Sports 6 (1), 3 (2010), https://arxiv.org/abs/0908.1801v4
^ ^A ^b Piette, J, Pham, L. a Anand, S. (2011) „Hodnocení výkonu basketbalového hráče pomocí statistického modelování sítě“, na konferenci Sloan Sports Analytics Conference (Boston, USA), http://www.sloansportsconference.com/wp-content/uploads/2011/08/Evaluating-Basketball-Player-Performance-via-Statistical-Network-Modeling.pdf
^ ^A ^b Jeff Beckham „Analytics odhaluje 13 nových basketbalových“ pozic, "https://www.wired.com " 04.30.2012

[Fewel_2012-1] A ^b ^C ^d ^E ^F ^G ^h ⁱ Fewell J.H., Armbruster D, Ingraham J, Petersen A, Waters JS (2012) Basketball Teams as Strategic Networks. PLoS ONE 7 (11): e47445. doi: 10,1371 / journal.pone.0047445 http://www.plosone.org/article/info%3Adoi%2F10.1371%2Fjournal.pone.0047445

[2] Brian Skinner (2011) The Price of Anarchy in Basketball, Journal of Quantitative Analysis in Sports 6 (1), 3 (2010), https://arxiv.org/abs/0908.1801v4

[Statistical_network-3] A ^b Piette, J, Pham, L. a Anand, S. (2011) „Hodnocení výkonu basketbalového hráče pomocí statistického modelování sítě“, na konferenci Sloan Sports Analytics Conference (Boston, USA), http://www.sloansportsconference.com/wp-content/uploads/2011/08/Evaluating-Basketball-Player-Performance-via-Statistical-Network-Modeling.pdf

[wired_article-4] A ^b Jeff Beckham „Analytics odhaluje 13 nových basketbalových“ pozic, "https://www.wired.com " 04.30.2012

[1]

[2]

[3]

[4]