{"id":4689,"date":"2021-01-28T16:12:20","date_gmt":"2021-01-28T16:12:20","guid":{"rendered":"https:\/\/www.gambyl.com\/?p=4689"},"modified":"2021-01-28T16:12:21","modified_gmt":"2021-01-28T16:12:21","slug":"introduccion-de-estadisticas-de-proxima-generacion-a-nuevo-modelo-de-reconocimiento-de-ruta","status":"publish","type":"post","link":"https:\/\/www.gambyl.com\/es\/nfl\/introduccion-de-estadisticas-de-proxima-generacion-a-nuevo-modelo-de-reconocimiento-de-ruta\/","title":{"rendered":"Estad\u00edsticas de pr\u00f3xima generaci\u00f3n: introducci\u00f3n al nuevo modelo de reconocimiento de rutas"},"content":{"rendered":"
\"\"<\/figure><\/div>\n\n\n\n

Las estad\u00edsticas de conteo convencionales, como recepciones y yardas recibidas, brindan una manera de medir la capacidad de un jugador individual para atrapar y mover el bal\u00f3n, pero solo cuentan una parte de la historia. Las estad\u00edsticas avanzadas, como la profundidad del objetivo, la ventana de separaci\u00f3n y la probabilidad de finalizaci\u00f3n, brindan una mayor comprensi\u00f3n, pero a\u00fan omiten un factor importante. Es decir, \u00bfqu\u00e9 ruta corri\u00f3 el receptor del pase para abrirse? antes<\/em> atrapar la pelota?<\/p>\n\n\n\n

Con la ayuda de la tecnolog\u00eda de seguimiento de jugadores, el equipo de Next Gen Stats Analytics se propuso responder esa pregunta exacta, decodificando uno de los elementos clave de una jugada ofensiva mediante el uso de datos de seguimiento de jugadores para medir qu\u00e9 rutas siguen los receptores de pases en cualquier momento. juego de pase dado.<\/p>\n\n\n\n

El mes pasado, revelamos un nuevo conjunto de m\u00e9tricas r\u00e1pidas derivadas de la capacidad de calcular Yardas apresuradas esperadas<\/a>. Hoy presentamos otra nueva herramienta de aprendizaje autom\u00e1tico: el reconocimiento de ruta<\/strong> modelo<\/strong>, que clasifica rutas por tipo, en tiempo real, con la ayuda de datos de seguimiento de jugadores.<\/p>\n\n\n\n

Profundicemos en la metodolog\u00eda detr\u00e1s del modelo de reconocimiento de rutas:<\/p>\n\n\n\n

C\u00f3mo funciona el modelo<\/h3>\n\n\n\n

El sistema de seguimiento de jugadores Next Gen Stats registra la ubicaci\u00f3n xy, velocidad, aceleraci\u00f3n, direcci\u00f3n y orientaci\u00f3n de los 22 jugadores en el campo en tiempo real. Nuestro nuevo modelo de reconocimiento de rutas aprovecha estos datos como entradas en un modelo que asigna un tipo de ruta<\/strong> a cada receptor elegible en cada jugada de pase, incluidos alas cerradas y corredores. Nuestro enfoque arquitect\u00f3nico utiliza una combinaci\u00f3n de redes neuronales convolucionales (CNN)<\/em> y Redes de memoria a corto plazo (LSTM)<\/em> entrenado en La plataforma SageMaker de Amazon<\/a>. Las CNN nos permiten interactuar con la naturaleza espacial de nuestro conjunto de datos (es decir, d\u00f3nde se encuentra cada jugador en el campo en una jugada determinada), mientras que las redes LSTM nos permiten interactuar con la naturaleza temporal de nuestro conjunto de datos (lo que sucede a medida que se desarrolla la jugada). con el tiempo).<\/p>\n\n\n\n

Abordamos las rutas recorridas por jugadores alineados en el backfield por separado de las rutas recorridas por jugadores alineados hacia afuera, en la ranura o apretados, debido a diferencias claras en los arquetipos de ruta. A continuaci\u00f3n se muestran los 15 tipos de ruta \u00fanicos asignados a todos los corredores de ruta, seg\u00fan su ubicaci\u00f3n cuando se centra el bal\u00f3n. Tenga en cuenta que si bien los libros de jugadas de la NFL tienen cientos de variaciones de rutas, las hemos reducido a estas categor\u00edas de alto nivel, incluidas 10 rutas para aquellos en alineaciones t\u00edpicas de receptores abiertos y cinco para aquellos alineados en el backfield:<\/p>\n\n\n\n

Rutas amplias (10):<\/strong> Pantalla, plana, inclinada, cruzada, afuera, adentro, enganche, esquina, poste, vaya
Rutas de backfield (5):<\/strong> Pantalla, plana, \u00e1ngulo, afuera, rueda<\/p>\n\n\n\n

El modelo fue entrenado y validado contra todas las rutas de cada jugada de pase de 2018 y 2019, incluidas tanto la temporada regular como la postemporada. Se incluyeron todos los corredores de ruta, independientemente de si fueron atacados o no; Dado que no pudimos encontrar una diferencia entre las formas de las rutas espec\u00edficas y las no espec\u00edficas, no vimos ninguna raz\u00f3n para entrenar solo en rutas espec\u00edficas. En total, el amplia fuera<\/em> El modelo fue entrenado en m\u00e1s de 100.000 rutas, mientras que el campo trasero<\/em> El modelo fue entrenado en m\u00e1s de 15.000 rutas.<\/p>\n\n\n\n

Para evitar ruido en los datos debido a jugadas interrumpidas (durante las cuales los receptores de pases a menudo dejan de seguir sus rutas asignadas) y el movimiento de los jugadores. despu\u00e9s<\/em> la recepci\u00f3n (lo que no nos dir\u00eda mucho sobre la eficacia de una ruta determinada), todas las rutas estaban limitadas en el momento en que la pelota pasaba hacia adelante o<\/em> en un momento dado (4,6 segundos despu\u00e9s del centro para rutas de banda ancha y 4 segundos despu\u00e9s del centro para rutas de backfield), lo que ocurra primero. Los l\u00edmites de tiempo \u00f3ptimos para estos tipos de rutas se determinaron analizando c\u00f3mo se desarrollaron los intentos de pase durante las \u00faltimas dos temporadas; Como referencia, 4,4 segundos representaron el percentil 75 de todos los intentos de pase por tiempo de lanzamiento en ese lapso.<\/p>\n\n\n\n

Aqu\u00ed hay una visualizaci\u00f3n de las rutas ordenadas por nuestro tipo de ruta prevista:<\/p>\n\n\n\n

\"Rutas-de-ruta-amplias<\/figure><\/div>\n\n\n\n

Para fines de entrenamiento, los datos de seguimiento para el modelo de receptor abierto se han normalizado de modo que todos los receptores de pases est\u00e9n a la izquierda del mariscal de campo, con la raz\u00f3n de que las rutas de ruta son sim\u00e9tricas. Encontramos que la forma de las rutas estaba alineada con nuestras expectativas de recorridos de ruta; No parece evidente ninguna predicci\u00f3n atroz del modelo.<\/p>\n\n\n\n

Las iteraciones futuras del modelo buscar\u00e1n profundizar en el \u00e1rbol de rutas para tener en cuenta los matices de la ejecuci\u00f3n de rutas a nivel profesional. https:\/\/91c9f45c7ceaa574696f04786ac1c7e4.safeframe.googlesyndication.com\/safeframe\/1-0-37\/html\/ contenedor.html<\/p>\n\n\n\n

lo que podemos aprender<\/h3>\n\n\n\n

La clasificaci\u00f3n de rutas en tiempo real nos permite contextualizar el juego a\u00e9reo de nuevas maneras. Podemos estudiar las tendencias de toda la liga para obtener una nueva comprensi\u00f3n de la estrategia y las tendencias ofensivas, y podemos desglosar y clasificar a los jugadores individuales seg\u00fan m\u00e9tricas de rendimiento avanzadas.<\/p>\n\n\n\n

La siguiente tabla combina nuestras m\u00e9tricas de recepci\u00f3n de NGS m\u00e1s descriptivas con los resultados de nuestro modelo de reconocimiento de rutas. Los valores correspondientes a cada ruta representan las medias de la liga de las dos \u00faltimas temporadas. Solo amplia fuera<\/em> Se incluyen rutas (es decir, jugadores alineados de par en par, en la ranura o apretados):<\/p>\n\n\n\n

Tendencias de receptores abiertos por ruta, promedio de la NFL, temporadas 2018-19<\/strong><\/h4>\n\n\n\n
Tipo de ruta<\/th>Ruta pct.<\/th>Rango<\/th>Tasa objetivo<\/th>Rango<\/th>Yardas de aire\/objetivo<\/th>Rango<\/th><\/tr><\/thead>
Ir<\/td>22.3%<\/td>1<\/td>10.8%<\/td>10<\/td>23.7<\/td>1<\/td><\/tr>
Enganche<\/td>18.3%<\/td>2<\/td>20.1%<\/td>5<\/td>7.7<\/td>6<\/td><\/tr>
Cruce<\/td>11.6%<\/td>3<\/td>24.8%<\/td>4<\/td>7.3<\/td>7<\/td><\/tr>
Afuera<\/td>10.1%<\/td>4<\/td>27.8%<\/td>2<\/td>8.3<\/td>5<\/td><\/tr>
En<\/td>8.9%<\/td>5<\/td>16.9%<\/td>7<\/td>10.4<\/td>4<\/td><\/tr>
Correo<\/td>7.8%<\/td>6<\/td>15%<\/td>8<\/td>21.3<\/td>2<\/td><\/tr>
Departamento<\/td>6.8%<\/td>7<\/td>17.9%<\/td>6<\/td>1.7<\/td>9<\/td><\/tr>
Inclinaci\u00f3n<\/td>6.2%<\/td>8<\/td>25.2%<\/td>3<\/td>6.0<\/td>8<\/td><\/tr>
Esquina<\/td>4.5%<\/td>9<\/td>14.6%<\/td>9<\/td>21.0<\/td>3<\/td><\/tr>
pantalla WR<\/td>3.4%<\/td>10<\/td>40.7%<\/td>1<\/td>-2.3<\/td>10<\/td><\/tr><\/tbody><\/table><\/figure>\n\n\n\n