{"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":"next-gen-stats-intro-to-new-route-reconhecimento-modelo","status":"publish","type":"post","link":"https:\/\/www.gambyl.com\/pt\/nfl\/next-gen-stats-intro-to-new-route-reconhecimento-modelo\/","title":{"rendered":"Estat\u00edsticas da pr\u00f3xima gera\u00e7\u00e3o: introdu\u00e7\u00e3o ao novo modelo de reconhecimento de rota"},"content":{"rendered":"
\"\"<\/figure><\/div>\n\n\n\n

Estat\u00edsticas convencionais de contagem, como recep\u00e7\u00f5es e jardas recebidas, fornecem uma maneira de medir a capacidade de um jogador individual de pegar e mover a bola de futebol, mas contam apenas parte da hist\u00f3ria. Estat\u00edsticas avan\u00e7adas como profundidade do alvo, janela de separa\u00e7\u00e3o e probabilidade de conclus\u00e3o fornecem uma vis\u00e3o melhor, mas ainda deixam de fora um fator importante. Ou seja, qual rota o apanhador de passes percorreu para se abrir antes<\/em> pegando a bola?<\/p>\n\n\n\n

Com a ajuda da tecnologia de rastreamento de jogadores, a equipe do Next Gen Stats Analytics decidiu responder exatamente a essa pergunta, decodificando um dos elementos-chave de uma chamada de jogo ofensivo usando dados de rastreamento de jogadores para medir quais rotas os apanhadores de passes est\u00e3o executando em qualquer dada jogada de passe.<\/p>\n\n\n\n

No m\u00eas passado, revelamos um novo conjunto de m\u00e9tricas urgentes derivadas da capacidade de calcular Jardas corridas esperadas<\/a>. Hoje, estamos apresentando outra nova ferramenta de aprendizado de m\u00e1quina: o reconhecimento de rota<\/strong> modelo<\/strong>, que classifica as rotas por tipo, em tempo real, com a ajuda de dados de rastreamento do jogador.<\/p>\n\n\n\n

Vamos nos aprofundar na metodologia por tr\u00e1s do modelo de reconhecimento de rota:<\/p>\n\n\n\n

Como funciona o modelo<\/h3>\n\n\n\n

O sistema de rastreamento de jogadores Next Gen Stats registra a localiza\u00e7\u00e3o xy, velocidade, acelera\u00e7\u00e3o, dire\u00e7\u00e3o e orienta\u00e7\u00e3o de todos os 22 jogadores em campo em tempo real. Nosso novo modelo de reconhecimento de rota aproveita esses dados como entradas em um modelo que atribui um tipo de rota<\/strong> para todos os recebedores eleg\u00edveis em cada jogada de passe, incluindo tight ends e running backs. Nossa abordagem arquitet\u00f4nica usa uma combina\u00e7\u00e3o de redes neurais convolucionais (CNNs)<\/em> e redes de mem\u00f3ria de longo e curto prazo (LSTM)<\/em> treinado em Plataforma SageMaker da Amazon<\/a>. As CNNs permitem-nos interagir com a natureza espacial do nosso conjunto de dados (ou seja, onde cada jogador est\u00e1 em campo numa determinada jogada), enquanto as redes LSTM permitem-nos interagir com a natureza temporal do nosso conjunto de dados (o que acontece \u00e0 medida que a jogada se desenvolve). ao longo do tempo).<\/p>\n\n\n\n

Abordamos as rotas percorridas por jogadores alinhados no backfield separadamente das rotas percorridas por jogadores alinhados de forma aberta, no slot ou tight, devido a diferen\u00e7as claras nos arqu\u00e9tipos de rotas. Abaixo est\u00e3o os 15 tipos de rota exclusivos atribu\u00eddos a todos os corredores de rota, com base em sua localiza\u00e7\u00e3o quando o snap da bola \u00e9 feito. Observe que, embora os manuais da NFL tenham centenas de varia\u00e7\u00f5es de rotas, n\u00f3s os restringimos a essas categorias de alto n\u00edvel, incluindo 10 rotas para aqueles em alinhamentos t\u00edpicos de largura e cinco para aqueles alinhados no backfield:<\/p>\n\n\n\n

Rotas amplas (10):<\/strong> Tela, plana, inclinada, cruzada, fora, dentro, engate, canto, poste, v\u00e1
Rotas de backfield (5):<\/strong> Tela, plana, \u00e2ngulo, sa\u00edda, roda<\/p>\n\n\n\n

O modelo foi treinado e validado em todas as rotas de todas as jogadas de passe de 2018 e 2019, incluindo a temporada regular e a p\u00f3s-temporada. Todos os corredores de rota foram inclu\u00eddos, independentemente de terem sido alvo ou n\u00e3o; dado que n\u00e3o conseguimos encontrar uma diferen\u00e7a entre os formatos das rotas espec\u00edficas e das rotas n\u00e3o espec\u00edficas, n\u00e3o vimos raz\u00e3o para treinar apenas em rotas espec\u00edficas. No total, o amplo<\/em> modelo foi treinado em mais de 100.000 rotas, enquanto o defesa<\/em> modelo foi treinado em mais de 15.000 rotas.<\/p>\n\n\n\n

Para evitar ru\u00eddo nos dados devido a jogadas interrompidas (durante as quais os apanhadores de passes muitas vezes param de executar suas rotas atribu\u00eddas) e movimento do jogador depois<\/em> a recep\u00e7\u00e3o (o que n\u00e3o nos diria muito sobre a efic\u00e1cia de qualquer rota), todas as rotas foram limitadas no momento em que a bola foi passada para frente ou<\/em> em um determinado momento (4,6 segundos ap\u00f3s o snap para rotas amplas e 4 segundos ap\u00f3s o snap para rotas de backfield) - o que ocorrer primeiro. Os limites de tempo ideais para estes tipos de percurso foram determinados atrav\u00e9s da an\u00e1lise do desempenho das tentativas de passe nas \u00faltimas duas temporadas; para refer\u00eancia, 4,4 segundos representaram o 75\u00ba percentil de todas as tentativas de passe por tempo de lan\u00e7amento naquele per\u00edodo.<\/p>\n\n\n\n

Aqui est\u00e1 uma visualiza\u00e7\u00e3o dos caminhos de rota classificados por nosso tipo de rota previsto:<\/p>\n\n\n\n

\"Caminhos<\/figure><\/div>\n\n\n\n

Para fins de treinamento, os dados de rastreamento para o modelo wideout foram normalizados de forma que todos os apanhadores de passes fiquem \u00e0 esquerda do quarterback, com a justificativa de que os caminhos da rota s\u00e3o sim\u00e9tricos. Encontr\u00e1mos a forma das rotas alinhadas com as nossas expectativas em rela\u00e7\u00e3o aos caminhos das rotas; nenhuma previs\u00e3o de modelo flagrante parece aparente.<\/p>\n\n\n\n

As futuras itera\u00e7\u00f5es do modelo procurar\u00e3o se aprofundar na \u00e1rvore de rotas para levar em conta as nuances da execu\u00e7\u00e3o de rotas no n\u00edvel profissional. cont\u00eainer.html<\/p>\n\n\n\n

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

A classifica\u00e7\u00e3o de rotas em tempo real nos permite contextualizar o jogo de passes de novas maneiras. Podemos estudar as tend\u00eancias de toda a liga para obter uma nova compreens\u00e3o da estrat\u00e9gia e das tend\u00eancias ofensivas, e podemos dividir e classificar jogadores individuais por meio de m\u00e9tricas avan\u00e7adas de desempenho.<\/p>\n\n\n\n

A tabela abaixo combina nossas m\u00e9tricas de recebimento de NGS mais descritivas com os resultados de nosso modelo de reconhecimento de rota. Os valores correspondentes a cada rota representam as m\u00e9dias da liga nas \u00faltimas duas temporadas. Apenas amplo<\/em> rotas est\u00e3o inclu\u00eddas (ou seja, jogadores alinhados largamente, no slot ou tight):<\/p>\n\n\n\n

Tend\u00eancias amplas por rota, m\u00e9dia da NFL, temporadas 2018-19<\/strong><\/h4>\n\n\n\n
Tipo de rota<\/th>Rota pct.<\/th>Classifica\u00e7\u00e3o<\/th>Taxa alvo<\/th>Classifica\u00e7\u00e3o<\/th>Jardas a\u00e9reas\/alvo<\/th>Classifica\u00e7\u00e3o<\/th><\/tr><\/thead>
Ir<\/td>22.3%<\/td>1<\/td>10.8%<\/td>10<\/td>23.7<\/td>1<\/td><\/tr>
Pegar<\/td>18.3%<\/td>2<\/td>20.1%<\/td>5<\/td>7.7<\/td>6<\/td><\/tr>
Cruzando<\/td>11.6%<\/td>3<\/td>24.8%<\/td>4<\/td>7.3<\/td>7<\/td><\/tr>
Fora<\/td>10.1%<\/td>4<\/td>27.8%<\/td>2<\/td>8.3<\/td>5<\/td><\/tr>
Em<\/td>8.9%<\/td>5<\/td>16.9%<\/td>7<\/td>10.4<\/td>4<\/td><\/tr>
Publicar<\/td>7.8%<\/td>6<\/td>15%<\/td>8<\/td>21.3<\/td>2<\/td><\/tr>
Plano<\/td>6.8%<\/td>7<\/td>17.9%<\/td>6<\/td>1.7<\/td>9<\/td><\/tr>
Inclina\u00e7\u00e3o<\/td>6.2%<\/td>8<\/td>25.2%<\/td>3<\/td>6.0<\/td>8<\/td><\/tr>
Canto<\/td>4.5%<\/td>9<\/td>14.6%<\/td>9<\/td>21.0<\/td>3<\/td><\/tr>
Tela 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