Fit Predict
Open in Telegram
Канал о применении методов Data Science в спорте Блог на спортсе: sports.ru/tribuna/blogs/fitpredict/
Show more362
Subscribers
No data24 hours
+17 days
+330 days
Data loading in progress...
Similar Channels
Tags Cloud
No data
Any problems? Please refresh the page or contact our support manager.
Incoming and Outgoing Mentions
---
---
---
---
---
---
Attracting Subscribers
September '24
September '24
+4
in 0 channels
August '24
+21
in 0 channels
Get PRO
July '240
in 1 channels
Get PRO
June '240
in 2 channels
Get PRO
May '240
in 0 channels
Get PRO
April '240
in 0 channels
Get PRO
March '240
in 0 channels
Get PRO
February '24
+3
in 0 channels
Get PRO
January '24
+10
in 0 channels
Get PRO
December '23
+4
in 0 channels
Get PRO
November '23
+28
in 3 channels
Get PRO
October '23
+340
in 1 channels
| Date | Subscriber Growth | Mentions | Channels | |
| 20 September | 0 | |||
| 19 September | +1 | |||
| 18 September | 0 | |||
| 17 September | 0 | |||
| 16 September | 0 | |||
| 15 September | 0 | |||
| 14 September | +1 | |||
| 13 September | 0 | |||
| 12 September | +1 | |||
| 11 September | 0 | |||
| 10 September | 0 | |||
| 09 September | 0 | |||
| 08 September | 0 | |||
| 07 September | 0 | |||
| 06 September | 0 | |||
| 05 September | +1 | |||
| 04 September | 0 | |||
| 03 September | 0 | |||
| 02 September | 0 | |||
| 01 September | 0 |
Channel Posts
Repost from Blocknote
В целом хорошая (и уже не новая) идея анализировать не по отдельности два параметра — количество верховых единоборств и их процент успешности (если рассматривать только второй, то зачастую будет неточная картина — например, регулярно встречаются ситуации, когда человек выигрывает 60%+ верха, но при этом проводит меньше одного единоборства за 90 минут — обычно это касается маленьких игроков — понятно, что это далеко не то же самое, что поддерживать хотя бы 50%, но вступая в 4-5 раз чаще), — а комбинированную метрику (своеобразный аналог рейтинга ЭЛО), которая бы вдобавок учитывала уровень игры оппонента вверху (выигрывать верх у условного Ван Дейка значительно сложнее, чем у Робертсона или Цимикаса — чем пользуются умные форварды и из-за чего у вингеров может быть завышен % успешности относительно большинства центрфорвардов). Так же сюда можно было бы добавить контекста, как уже принято с обычным анализом верховых — смотреть по фазам (в атаке выигрывать сложнее, чем в обороне — распределение примерно 40 на 60) и по зонам (например, вступление в верховое в центре поля сильно отличается от вступления в двух штрафных — игра против кросса требует других навыков, чем против вертикального мяча).
Но что мне не нравится, так это манипулятивная интерпретация таких рейтингов, как на графике того же Ван Дейка — до травмы крестов у него были даже более серьезные спады и подъемы в этой метрике, но их не связывают ни с какими травмами и набором формы после них (по меньшей мере, у рейтинга наверняка есть инфляция, плюс колебания должны зависеть от изменения его роли на атакующих и оборонительных стандартах).
| 2 | Никита верно назвал подобную интерпретацию манипулятивной. Немного разовью мысль.
У рейтинга есть два ключевых параметра: собственно, сам рейтинг и мера уверенности в этом рейтинге. Идея такая: сначала мы ничего не знаем об игроках, поэтому рейтинги должны меняться быстро. Со временем они должны сойтись к истинным значениям (в теории), поэтому менять их нужно менее значительно.
Однако иногда имеет смысл "добавить сомнений", например, в ситуациях, когда футболист долгое время не играл. В таком случае рейтинг снова начнет меняться быстро.
То есть обвал рейтинга Ван Дейка разумнее объяснить издержками метода и случайностью (в том плане, что неудачная серия выпала на период, когда рейтинги быстро менялись), а не тем, что Вирджил что-то там разучился делать. | 214 |
| 3 | А так, это уже не первая "футбольная" работа DeepMind. Раз и два.
Напомню, что именно их модель обыграла в Го чемпиона мира Ли Седоля.
Кто знает, может, футбольного матча между людьми и роботами недолго ждать осталось
https://youtu.be/KriBQVhsgZk?si=WmjK2z_UW-ko3Aw3 | 483 |
| 4 | DeepMind и Ливерпуль моделируют угловые
Пока автор философствовал на тему, что можно с помощью xP, xG и рейтингов единорств моделировать игровые ситуации, ребята из DeepMind при поддержке отдела исследований Ливерпуля это сделали.
В работе, с одной стороны, предсказывается исход углового (кто первым коснется мяча и будет ли нанесен удар по воротам) в зависимости от координат и векторов скоростей игроков. С другой стороны, модель позволяет симулировать будущие ситуации: как нужно расставить игроков, чтобы вероятность гола была максимальной.
Правда, забавно, что из признаков, характеризующих умение футболиста вести верховое единоборство учлись только рост и вес игрока. Странно все это: в DeepMind вроде бы умные люди работают, и архитектура сети не простая. Но такой немаловажный фактор был проигнорирован. Можно было хотя бы процент выигранных единоборств в предыдущих матчах в сеть прокинуть. | 1 568 |
| 5 | Давайте зафиксируем историю с рейтингами. Итак.
Ratings of European and South American Football Leagues Based on Glicko-2 with Modifications
Статья на архиве: https://arxiv.org/abs/2310.11459
Уже не очень актуальные статьи на спортсе:
https://www.sports.ru/tribuna/blogs/fitpredict/2972220.html
https://www.sports.ru/tribuna/blogs/fitpredict/2888823.html
Код: https://github.com/andreyshelopugin/GlickoSoccer | 184 |
| 6 | https://arxiv.org/abs/2310.11459 | 1 |
| 7 | Единственная статья, которая зацепила.
Clustering Football Game Situations via Deep Representation Learning
В первой части работы делается примерно тоже самое, что делал Спирман только в более обобщенном виде и через нейросети. Похожая работа была у Фернандеса и Борна SoccerMap: A Deep Learning Architecture for Visually-Interpretable Analysis in Soccer. Однако, возможно, предложенный подход работает точнее.
Во второй части делается кластеризация, чтобы выделить различные тактические паттерны. Ну такое. Предположу, что авторы свернули на эту дорожку, чтобы подстроиться под заявленую тему конференции. | 241 |
| 8 | Measuring Player Performance Through Predicting Team Actions
В работе прогнозируется следующее действие: точный/не точный пас, удачное/неудачное ведение, удар. На основе этих действий (как я понял) и признаков (игроки, тренеры, кто играет дома) строится модель, которая симулирует результаты матчей. Смущает здесь следующее: если ты проводишь симуляции на всех действиях, которые были в данных, то скорее всего больше всех забьет команда, у которой было больше всего действий в чужой штрафной. Тут я и задумался, что, может, тогда не на всех действиях симуляция проводилась, а с самого начала, с центра поля, так сказать. Но это не тривиальная задача, потому что нужно, как минимум, контролировать, когда тайм закончится. А пояснений по этому поводу в статье не дано.
Что касается признаков в виде игроков и тренеров. Представьте ситуацию: есть два игрока, которые почти во всех матчах выходили на поле вместе за одну команду. С точки зрения модели, эти игроки будут одинаковыми.
Далее шли главы следующего содержания. Давайте поменяем тренеров и игроков местами и посмотрим, сколько очков обновленные команды заработают. Меняют Почеттино на Гвардиолу - обновленный Тоттенхэм набирает больше очков. Вывод: Пеп могет. В чем тут проблема? За те четыре сезона Премьер-Лиги, на которых модель обучалась. Гвардиола тренировал только МС, а Почеттино только Тоттенхэм. И если у МС за этот период было хоть какое-то разнообразие: два тренера, то у Хотспур только Почеттино и был. Это все к тому, что когда ты меняешь Гвардиолу на Почеттино, ты меняешь не тренеров, а МС на Тоттенхэм. Да, как бы не "весь" МС на "весь" Хотспур, но суть понятна. С таким же успехом можно сказать, этот тренер хороший, потому что его команда выигрывает, и без всяких нейросетей.
С игроками тоже самое. В статье меняли Кейна на Рондона, результат очевиден. Вот только что-то мне подсказывает, что если поменять Кейна на Фирмино, то Фирмино окажется посильнее. Проводил ли автор подобный эксперимент?
Вечный вопрос: сам дурак или других за дураков держит? | 209 |
| 9 | Есть такие статьи, во время прочтения которых, у меня возникает такое чувство: так, я понял, что нахожусь в психбольнице, но пока не очень понял в какой роли.
Обычно происходят такие диалоги в голове. "Что они тут написали? Ну неееее, так же нельзя... А, может, можно? Да, не, точно, дата-лик. А, может, у меня английский плохой, и я что-то не понял? Или у автора английский плохой, и он имел в виду что-то другое?"
TacticalGPT - Uncovering the Potential of LLMs for Predicting Tactical Decisions in Professional Football
Дано: табличные данные.
Задача: предсказать следующее дейтсвие, где оно произойдет, и кто его совершит.
Решение: переведем структурированный датасет в текст, закинем все это безобразие в ChatGPT, получим результат. Что-то вообще не очевидно, зачем так делать (а не обучить бустинги на таблице) и как контролировались дата-лики при обучении.
Evaluation of Team Defense Positioning by Computing Counterfactuals Using StatsBomb 360 Data
Большая часть работы - повторение того, что было сделано в Beyond Expected Goals. В этой работе William Spearman для каждой точки на поле считал вероятности: что передача пойдет в эту точку, что эта передача будет принята атакующей командой и что удар из этой точки станет голом. Сочетание этих вероятностей Спирман назвал off-ball scoring opportunity (OBSO). Авторы текущей статьи решили оптимизировать местоположение команды защиты на базе OBSO. Идея состоит в том, что защитнику нужно сдвигаться в сторону точки с максимальным OBSO. Звучит странно.
Вообще говоря, раз уж мы собрались двигать защитников (а можно ли так делать?), то мы должны их сдвинуть так, чтобы вероятность гола уменьшилась. Но из того, что защитник начнет смещаться в сторону максимума OBSO не очевидно, что эта вероятность уменьшится. | 189 |
| 10 | Просто и не понятно зачем
Clustering Women's Football Players - Identifying Functional Patterns for Performance Optimisation
Кластеризация - наше все.
Identifying Key players & playing styles of 10 English Premier League Teams during offensive sequences in 2021/2022 season
Построили граф на передачах, посчитали базовые графовые статистики. Что с ними делать, не очень понятно. | 194 |
| 11 | Обзор Research Papers с конференции Статсбомба
Для удобства поделил статьи на три с половиной категории. Категория первая: Где-то я это уже видел и получше.
StratAlign: Uncovering Tactical Patterns through Large-Scale Event Sequence Matching
Идея работы: распознавать типичный билдап команды и находить в исторических данных похожий.
Зачем: авторы предлагают использовать так. Допустим, мы тренерский штаб команды A, весь первый тайм нас возит соперник B. И мы не знаем, что с этим делать. Предлагается найти в исторических данных команду C, которая играла как команда A, и обыграла команду D. Ну и типа во время перерыва нужно поменять план игры и начать играть как команда С. Фантастика какая-то.
Leveraging team traces to optimize process-aware tactical style discovery
Тоже распознавание билдапа. Побобные статьи всегда читаешь со скепсисом. Ну сыграла команда пять последних матчей в таком-то стиле, где гарантия, что в следующем матче она сыграет также? По-хорошему, нужно строить предиктивную модель. Здесь это сделано не было, но было подсчитано что-то вроде дисперсии: насколько типичный билдап стабилен от матча к матчу. Хотя бы так.
An Events and 360 Data-Driven Approach for Extracting Team Tactics and Evaluating Performance in Football
Работа делится на две части. В первой части предсказывается следующее действие (пас, удар и тд) и место, где это произойдет. Прикольно, но после Data-Driven Ghosting using Deep Imitation Learning и Multiagent off-screen behavior prediction in football, где предсказывались траектории движения футболистов, воспринимается как шаг назад.
Во второй части авторы попробовали создать EPV-подобную модель, получилось слишком топорно.
An Analysis of the Influence of Game Context on Team Playing Style
В зависимости от ситуации на поле (счет, текущая минута матча) анализируется, как меняется стиль передач.
Тоже самое. Интересно, но Choke or Shine? Quantifying Soccer Players' Abilities to Perform Under Mental Pressure получше была. | 202 |
| 12 | История примерно такая
Примерно год назад за неделю до дедлайна я узнал про воркшоп Machine Learning Sports Analytics. Наспех написал текст с кучей грамматических ошибок и не очень понятных моментов.
Получил отказ с фидбеком от трех ревьеров (по условиям, два из трех должны одобрить, чтобы статья была принята). Общая суть фидбека - очень плохой текст. При этом один из них(при всех недочетах) статью одобрил.
В общем, текст я поправил, да и саму модель улучшил. В декабре начал гуглить конфы. Примерно так и вышел туда, куда вышел.
Но вообще очень странно. Сейчас изучил отзывы. Общая суть: платишь деньги - тебя публикуют. У меня совсем не так было. Деньги я не платил. Примерно на протяжении месяца статья прорабатывалась, давался фидбек со всеми вытекающими.
Как-то так. | 259 |
| 13 | Кажется, я нормально так обосрался. Сниму заявку.
Возможно, тем лучше, добавлю статью на архив в ближайшее время. | 250 |
| 14 | Наша статья "Ratings of European and South American Football Leagues based on Glicko-2 with Modifications" была принята конференцией International Conference on Machine Learning and Data Mining for Sports Analytics.
Другая работа "Evaluating of Football Player 1v1 Abilities based on the Glicko-2 with Modifications" была принята на воркшоп The international sports analytics conference and exhibition.
Сами статьи будут опубликованы немного позднее. Код по первой статье уже лежит на гитхабе. Добавил ноутбук QuickStart.ipynb с простыми примерами для тех, кто совсем новичок в рейтинговых системах.
https://github.com/andreyshelopugin/GlickoSoccer | 5 310 |
| 15 | Если баскетбол становится хаотичнее, то футбол — поспокойнее.
Число владений в футболе сократилось. Это можно было бы объяснить тем, что правила поменялись: пять замен вместо трех, паузы на VAR. Однако чистое время в игре только увеличилось. Владения стали дольше. | 419 |
| 16 | На митапе прозвучала простая, но важная мысль, что модели нужно постоянно обновлять, потому что правила меняются, игроки меняются, даже мяч меняется (речь шла о бейсболе).
Можно посмотреть на фундаментальные статистики вроде результативности и числа владений.
В НБА растет число владений, а также количество заработанных очков в пересчете на одно владение.
Возросшую результативность можно объяснить тем, что игроки стали умнее (сократилось число средних бросков) и техничнее (броски точнее, потерь меньше).
Количество владений резко увеличилось в сезоне 18/19, поменялось правило: максимальное время владения после подбора в нападении сократилось с 24 до 14 секунд.
Однако Pace и раньше рос при сокращении числа потерь. Баскетболисты стали быстрее бегать или выводить игрока на бросок. | 366 |
| 17 | Уже идет, но обещают, что будет запись
https://www.meetup.com/ru-RU/pymc-labs-online-meetup/events/295796824/ | 284 |
| 18 | Pass EPV vs xP
Обсудим два способа оценить умение игрока пасовать. Первый - на основе EPV: (EPV(B) - EPV(A)), второй - на основе xP: (P - xP). Если вкратце, то первый оценивает то, как игрок умеет обострять. Второй - насколько сложные передачи умеет отдавать игрок.
Понятно, что эти метрики будут сильно коррелировать. Тот, кто умеет отдавать сложные передачи, тот и в эффективность может.
Однако давайте представим двух футболистов: у первого хороший EPV, но плохой xP, у второго - обратная ситуация (слабоумие и отвага, так сказать). Кого больше купить хочется?
Вроде бы все просто: первый лучше. Все-таки побеждать легче с теми, кто умеет продвигать мяч вперед.
Но ответ не кажется очевидным в случае молодых футболистов. И так, первый у нас немного кривоногий, второй - немного глупый. Что легче исправить?
Тут я вступаю на неведомую мне территорию детско-юношеских тренеров. Но здравый смысл подсказывает, что после 18-20 лет прокачать технику посложнее, чем мозги. Так что несмысшленный (пока) юный футболист выглядит предпочтительнее. | 447 |
| 19 | No text... | 507 |
| 20 | +1 Верните мне мой 2004
Expected Goals: Логистическая регрессия построенная на 1096 ударах и семи признаках. Это еще ладно.
Pitch Control: диаграммы Вороного на трекинг-данных, которые были собраны компьютерным зрением из радара FIFA Soccer 2003. До слез. | 482 |
