内容精炼的关键知识点

1。防守对进攻的重要性：防守对进攻是在足球比赛中创造得分机会并对比赛结果产生重大影响的关键策略。

2。可以理解的功能：通过基于特定于运动的假设来构建可理解的功能，它可以帮助分析和预测防御以扭转进攻。

3。预测框架：本文提出了一个新的预测框架，用于分析足球比赛中的复杂序列。

4。主要预测因素：球员在球后面的位置是预测防守和进攻是否会发生的最重要因素。

5。模型应用：构建模型可用于评估战术犯规或创建风险奖励文件，这对团队的战术安排具有实际的指导意义。

有关更多尖端内容，请按照作者的官方帐户获取更多的运动科学/生物力学/绩效分析/人工智能现场咨询/文学↓

最大英语课的关键术语

1. CounterAttacks（CA） - 防御进攻：是指在防守后迅速转变为进攻的战术行动。

2.时空数据 - 时空数据：结合时空信息的数据以分析游戏中玩家和球的动态位置。

3.逻辑回归 - 逻辑回归：一种用于预测事件概率的统计方法。

4。失误 - 球权转换：在足球比赛中，它是指从一个球队转移到另一支球队的事件。

5。预期目标（XG） - 预期目标：通过统计模型预测单次射击或进攻机会的可能性。

6.机器学习 - 机器学习：一种数据分析方法，允许计算机系统使用数据通过算法学习和改进。

7.Feature Engineering-Feature Engineering：在数据科学中，通过选择，修改和创建数据功能来提高模型的性能。

8.DATA建模 - 数据建模：创建数学或计算模型来表示系统或过程的数据结构和操作。

9。绩效分析 - 绩效分析：在运动科学中，通过定量方法对运动员或团队的表现进行分析。

10.预测分析 - 预测分析：使用统计技术和机器学习模型来预测未来事件的可能性。

原始文本如下所示，线向预期计数器 - 使用可理解的功能来预测反击

作者：Henrik Biermann，Franz-Georg Wieland，Jens Timmer，Daniel Memmert，Ashwin Phatak

摘要：足球是一个低分的比赛，进球可能成为比赛的关键。因此，现代战略将反攻击视为从稳固防御中创造评分机会的有效手段。这也要求进攻方在控制球时要注意风险，即失去球权利。为了评估这些风险，了解将球能力损失转化为反攻击的机制至关重要。尽管足球分析社区在预测单个动作的结果（射击或传球）方面取得了进展，甚至预测了整个游戏的结果，但诸如反攻击之类的单个序列尚未获得相同的成功。本文提出了此问题的原因，并创建了一个通过可理解的功能来理解复杂序列的框架。我们将此框架应用于预测尚未发生的反击。因此，我们从时空数据的足球比赛中找到了球权转换，并创建了透明的反击标签。然后，我们从特定于运动的假设中构建可理解的功能，并评估它们对反击的影响。最后，我们使用这些功能来创建一个简单的二进制逻辑回归模型来预测击球。我们的结果表明，球背后的球员是预测反击的最重要因素。我们发现，如果一支球队在中场失去球，并且有两个以上的球员不在球后面，那么他们将近30％的时间面对反攻击。这强调了避免在制造犯罪时避免损失球权利的重要性。将来，我们计划扩展这种方法，以产生更多细微的见解。

关键词：足球分析，时空数据，事件数据，可解释的功能

1简介

作为描述足球的通用语言的一部分，引入了所谓的游戏时刻的概念。这个概念为将游戏的有时混乱开发组织成五个阶段提供了一种方法：每个团队的两个进攻阶段（对立），在这些进攻阶段之间的两个过渡阶段，并设定了零件。在绩效分析中，过渡阶段最近受到了关注。反击，也就是说，从对手赢得球后的快速进攻，已被确定为得分目标和创造机会的重要因素。因此，调查潜在危险的反攻击情况对于团队的成功至关重要。但是，现有的研究更多地涉及单个动作，例如通过，镜头或长期预测，即游戏或整个赛季/锦标赛的结果。中期预测研究很少进行，并且经常使用大型功能集和机器学习，这使得很难将结果转化为运动特定的见解。因此，缺乏可解释的模型可以帮助理解所涉及的机制。因此，本研究旨在反击可以理解的特征预测。为此，本研究提出了一个通用框架，用于通过构建可理解的特征来分析复杂序列（第2节）。它还通过发现球权转换并定义反击来描述方法论步骤（第3节）。在第4节中，我们构建了可理解的功能，并评估了它们对反击成功的重要性，然后将这些功能纳入第5节中的预测模型。第6节总结了我们的发现，并期待未来的研究主题。

2。理解复杂序列的框架

与其他运动相比，由于它们极高的自由度和缺乏结构，足球比赛很难预测。预测方法要么在很小的时间尺度上进行。短期方法旨在预测单个事件的结果，例如预期目标模型预测给定射击的成功（目标）概率，而预期的通行模型预测了通行证的完成概率。这种方法的优点是它是在封闭的环境中执行的（例如特定的镜头），很少有可能的结果（例如目标是/否）。长期方法可以预测比赛的结果或整个赛季/锦标赛的结果。这些技术受益于将单个过程的总复杂性转化为一些结果，例如最终分数或匹配结果。但是，中间时间尺度的分析较少暴露。这主要是由于三个原因。 （i）很难定义定义明确的序列。尽管有许多常见的谚语，例如进攻序列，压迫时刻和反击，但将它们转化为基于规则的定义并不普通。 （ii）即使表征了这些情况，在更广泛的游戏背景下它们的重要性，重要性和影响也没有量化。因此，很难定义成功标准，因为目标会有所不同，例如取决于游戏的风格或游戏状况。 （iii）最后，即使明确定义了序列和成功标准，单个序列也包括各种个人（特定和可能的）本质上是复杂的作用。费尔南德斯等。通过开发一个框架来解决此问题，该框架随时使用条件概率和不同可能的动作的预期结果来估算保球值的价值。他们的一般模型可用于评估顺序的行动，但需要精确的单个行动模型，这可能会根据竞争情况而异。 Bauer等。使用XGBoost模型和一系列手工制作功能来识别球形右转换后的压迫。他们的结果模型具有很高的预测性，尽管显示的功能的相对重要性提供了一些见解，但此信息不容易转化为特定于运动的术语或指南。因此，我们提出了一个新框架，以基于可理解的特征来预测特定序列。这可以实现客观和透明的分析，并允许创建特定问题和实用准则。

3定义感兴趣的顺序和成功的标准

在本节中，我们介绍了从球形右转换中识别感兴趣序列的规则（图3.1），定义了反击的一组特定的成功标准（图3.2），并应用两者都从提供的一定数量的匹配项中创建我们的数据集（图3.3）。

3.1基于规则的连续公开比赛的球权转换的标识

我们提供的游戏数据（请参阅第3.3节）包含游戏位置和事件数据，但缺乏有关保球的信息。因此，我们将球权转换定义为一对相邻的事件，这些事件被分配给反对球队的球员，并将后者称为失去球权利事件。但是，这个直观的定义会导致大量的球形权利转换，并不是所有与本研究同样相关的。失去球的球队半场的球传球是一个特殊情况，因为它们通常涉及立即进攻。在特殊（不寻常的）位置场景中发生后，发生在设定的比赛后发生的球传输（拐角，罚球，越野球，球门球等）发生。由于涉及停止的游戏，因此在死球（越界，犯规，越位等）中发生的球传球成为一个特殊情况。最后，赢得球的球队立即失去了右球的转换（例如清除或随后的球右转换），这表明没有协调的进攻。因此，我们排除了以下四个子组的球权转换：

1。在这半部分的落球权转换：失去球权利的球是失去球权利的球队的一半。

2。死球权利转换：失去鲍尔权的事件是一个死球。

3。弹球的起源转换：球权利的损失是固定球，或者在球权转换之前的T1 = 5秒内有一个固定球。

4。不维持的球权转换：在滚珠权转换后，将在T2 = 3秒内进行另一种球权转换或死球。

根据与域专家的讨论观看视频材料后，我们选择了T1和T2的值。我们排除了这四个子集并将其余的子集称为对手的一半，或者仅仅是延续的球转换。这些定义了感兴趣序列的起点。

图1。位置对反击概率的影响。左图：连续球权转换在球场上的位置。中图：连续的球权转换的位置被转化为反击。右：每个位置的反击与全球权利转换的平滑比率。对于左侧的两个图表，面积的越亮，则发生的次数越多。对于右侧的图表，蓝色对应于低比率（几乎为零），红色区域对应于高比例。绯红色红色对应于最大值的40％的高比例。此外，我们将课程分为六个领域，并显示每个区域内的球权转换的数量和比率。 （在线颜色图片）

3.2反击的成功标准的定义

Lago-Ballesteros和其他人将反击定义为在赢得球后开始的快速直接进攻（小球员）。在赢得球并将球移动到对手一半的目标区域时，STATSPerform将球队视为反攻击（速度决定其价值）。这两个定义之间的相似性是它们都包括时间和空间成分。因此，我们提出了以下针对反攻击成功的描述性标准：

1。空间：失去球权利的球队与球队的目标之间的距离减少到小于d = 35米。

2。时间：在圆票权转换后达到T3 = 15秒内的空间标准。

但是，这些定义不包括团队的财产。因此，对对手的一半（无意）的无意识清除也将被视为反击。关于这一点，我们介绍了其他标准：3。连续的球：达到太空标准后，赢得球的球队在下一个T4 = 5秒内将举行另一场进攻赛（射击，传球或运球），距离小于d = 35米。

讨论后仔细选择了D，T3和T4的值。

3.3出现数据集

Stats Perform提供了包含289场比赛的位置数据，以25Hz捕获，并在最新赛季的顶级足球比赛中手动捕获了活动数据。我们排除了所有失踪玩家（例如，由于红牌）。在剩下的数据中，我们发现72,367个球权转换（每场250个），其中18,364（每场64个，25.6％）是死球权转换，8,195（28，11.2％）设定了Ball权利转换，19,948（69，27.6％）是无连续的球权转换为25.860（25.860（89）。在一组连续的球权转换中，我们发现3,156（每场11次，12.2％）的球权转换变成了反击。我们将法院分为1平方米的网格，并使用球权转换和反击标签的位置来计算反击与每个位置的总球权转换的比率。根据[9]的方法，我们使用平滑因子s = 2.5平滑了比率。图1显示了网格中的球权转换和反击比率的反击数量。

4。预测的可理解特征

在本节中，我们基于特定于域的假设构建了三个不同的可理解特征（第4.1节）。然后，我们反思丢失球位置对特征评估的影响（第4.2节）。最后，通过比较特定值与平均比率的反攻击比（第4.3节）来评估每个特征预测反攻击的能力。

图2。计算三个构造的可解释特征，以实现示例性的球形体重转换情况。球（黑色）的位置，失去球（紫色）的球队以及赢得球的球队（橙色）。左图：输掉球的球员在球后面标记。中图：它指出了球员与所有队友之间的垂直距离。右：球场控制表面[5]在球的指数下减轻重量，并圈出计算场控制的最相关区域。 （在线颜色图片）

4.1从特定于域的假设中构造功能

如第2节所述，下面构建的功能不是唯一的，这些功能的略有变化也可以实现相似的结果。因此，我们尝试报告我们特定的特定领域的假设，这些假设是特征的基础，并讨论可能使用的一些相关功能。我们通常认为，对于失去球的球队而言，让更多的防守球员有益。但是，由于反击的直接和快速性质，一些以前在进攻端的球员可能很难做到这一点。因此，我们估计玩家是否能够通过将球员的位置与球的位置进行比较来捍卫可能的反攻击。因此，我们计算了与失去球的球队接近球门距离的球员数量，并将这一功能称为输球后的球员。此功能与在球后面赢得球的球员数量有关。这些球员将处于反击的理想位置。此外，也可以评估失去球的比率或差异与赢得球后球的球员之间的比率或差异也可以评估。选择球后面的球损失的球员强调了在反击中使用数值优势来防御和减慢反击的重要性，而不是数字平衡或反击期间的进攻球员的数量。此外，我们假设紧凑的防守模式可以在球场上关闭空间，从而限制了进攻方面的可能性。垂直紧凑性被认为特别有效。以最简单的形式，紧凑的形状可以被视为具有小玩家距离的密集形成。因此，我们计算失去球的球队的球员平均垂直距离，并将其称为输球的垂直紧凑性。失去球的团队的水平紧凑性与其垂直紧凑性有关。通过专注于垂直紧凑性，假定团队的整体向场地移动并且玩家之间的垂直距离很小，则反击的机会将大大减少。这通常意味着对手也必须向后移动以捍卫这一集体攻击。最后，我们假设控制球周围的空间对防守有益，因为这可能会阻止赢得球的球队的进步。因此，我们使用了Fernandez等人的方法。计算每个课程位置的空间占用。为了评估球周围空间的值，我们将球距离的指数减小函数与衰减参数α= 0.2。该衰减参数等于3.5米的空间控制的一半距离，这意味着球员距球3.5米，直接在球上贡献了一半的球员。我们通过为赢得球的球队选择一个负面标志，将两个团队的太空占用量汇总为一个值。因此，我们将此值称为法院控制的损失，因为它与球队失去球的空间优势相对应。

4.2球权利位置丧失对特征评估的影响

反攻击比（见图1）揭示了球位置损失对反攻击概率的强烈影响。球场中心的球权转换具有更高的可能性，即成为反攻击，这比接近球队赢得球的球门的球权转换更有可能。这可能是由于需要在给定时间内克服的短距离，以被视为反击（请参阅第3.2节）。但是，此效果需要包括在功能评估中。这三种结构的特征与失去权利的丧失有关。因此，他们已经拥有一些并非来自战术相关性的预测能力。因此，我们没有评估反击的总体概率，而是评估了从平均比率到位置的偏差（见图1）。因此，为了获得预测能力的一般印象，我们使用特定特征的阈值将连续的球形重量转换组划分为两个相当大但也不同的子集。我们将所有球形体重转换与低于阈值的特征值划分为一组，所有球形体重转换率与阈值高于阈值的特征值分为另一组。对于这两个子集，我们计算每个课程位置的各个反攻击比（如第3.3节所示）。最后，我们分别减去平均打击比以获得差异。

4.3建立功能的预测能力

球后面的球员失去了球。我们选择八个玩家作为阈值，并产生两个相当大的子集（见图3）。与平均比率的差异显示，球形转换率的概率低于阈值。这种效果在法院的中心特别有效，少量的球权转换靠近角落会影响结果。

失去球权利的垂直紧凑性。在这种情况下，我们选择13米作为创建两个不同子集的阈值（见图4）。平均比率的差异显示垂直紧凑性的区域依赖性效应很小。阈值以下（良好的垂直紧凑度）的球重量转换会稍微降低了球场中央的反击的可能性。但是，在靠近边缘的区域，这种效果并不明显。同样，拐角处附近的标记区域显示出少量的球形转换率低于阈值，这可能会影响结果。

球周围的场控制。我们使用功能阈值-0.35来创建子集（见图5）。选择负阈值是为了获得可比的大小，因为在大多数情况下，赢得球的球队自然会控制更多的空间。

图3。球员在反击上失去球后球的影响。左图：球权转换的数量。中季：反攻击比。右：与平均罢工率的差异（图1）。上排：低于阈值，八个或更少的球员的球权转换。底线：在阈值之上，至少九名球员的球权转换。对于正确的图，我们选择绿色代表平均位置和粉红色以下的值以高于位置平均值的值。最大值为±15％。 （在线颜色图片）

图4。紧凑性丧失对反击的影响。上排：紧凑度达到13米。底线：紧凑度超过13米。有关完整的传说，请参见图3。

图5。失去现场控制对反击的影响。上排：场控制值不得超过-0.35。底线：场控制值大于-0.35。有关完整的传说，请参见图3。

5。基于模型的功能测试

我们在预测逻辑回归模型中测试了我们可理解的功能集，并使用了平衡的类权重。为了结合位置的效果，除了三个构造的功能外，我们还使用了失去球的直接距离。使用手工制作特征（请参见表1）作为自变量进行使用“ L2”正则化的二进制逻辑回归。使用50％的交叉验证进一步评估该模型以检查样品之外的有效性。另外，计算特征系数及其相应的优势比以评估该特征的效果。结果表明，球员在球后面失去球对反攻击的影响最大（负）。现场控制显示了预测成功反击的第二大影响。球权利丧失的目标距离和垂直紧凑性显示出微不足道的效果。 50％交叉验证的结果表明该模型预测反攻击的一般能力。各个细分之间的小偏差表示模型的稳定性。但是，对于绝对值仍有改进的余地。

6。结论

我们已经朝着全面的预期反击指标迈出了第一步。通过我们提出的理解复杂序列的框架，我们使用基于直觉成功标准的反标签创建了感兴趣序列的数据集。我们构建了三个可以理解的功能，以预测反击的成功，并使用手动定义的阈值评估了功能的预测能力。基于这些功能，我们创建了一个简单的预测逻辑回归模型。该框架揭示了有关如何防止反攻击的各种可理解的见解。最突出的是，球背后的球员对于防止反攻击非常重要。因此，在尽可能多地制造犯罪时，后场球员需要避免犯错。更多的空间控制还有助于防止反击，尤其是在场外附近。不太明显的垂直紧凑形状对中心有益。我们的模型预测了球形权利转换的风险，并具有相当大的性能。因此，它可以用于各种特定于运动的应用（例如评估战术犯规或创建风险奖励概况）。诚然，手动定义的阈值评估未捕获特征分布中的细粒统计异常。此外，我们的模型依赖于影响数据集（感兴趣的序列）和功能的选择。因此，将来我们计划仔细评估这些选项，并包括更复杂的成功标准。最后，我们的方法可能受益于较大的数据集。但是，由于我们对反攻击问题的详细见解，我们促进了分析足球中所有类型的复杂序列的框架（例如，建立犯罪或不同的赛场）。

如果您喜欢它，欢迎您喜欢/转发它，以便更多的人可以理解它！