論文の概要: Frame by frame completion probability of an NFL pass
- arxiv url: http://arxiv.org/abs/2109.08051v1
- Date: Thu, 16 Sep 2021 15:34:56 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-17 14:11:14.026206
- Title: Frame by frame completion probability of an NFL pass
- Title(参考訳): NFLパスのフレーム完了確率によるフレーム
- Authors: Gustavo Pompeu da Silva, Rafael de Andrade Moral
- Abstract要約: アメリカンフットボールは人気の高いスポーツであり、世界中の多くの国で観衆が増えている。
最寄りディフェンダーからのレシーバ分離など、多くの要因がパス完了の確率に影響を与える可能性がある。
プレーヤとボール間の距離測定を用いて、経験的確率を計算し、ターゲットが誰であるかを予測する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: American football is an increasingly popular sport, with a growing audience
in many countries in the world. The most watched American football league in
the world is the United States' National Football League (NFL), where every
offensive play can be either a run or a pass, and in this work we focus on
passes. Many factors can affect the probability of pass completion, such as
receiver separation from the nearest defender, distance from receiver to
passer, offense formation, among many others. When predicting the completion
probability of a pass, it is essential to know who the target of the pass is.
By using distance measures between players and the ball, it is possible to
calculate empirical probabilities and predict very accurately who the target
will be. The big question is: how likely is it for a pass to be completed in an
NFL match while the ball is in the air? We developed a machine learning
algorithm to answer this based on several predictors. Using data from the 2018
NFL season, we obtained conditional and marginal predictions for pass
completion probability based on a random forest model. This is based on a
two-stage procedure: first, we calculate the probability of each offensive
player being the pass target, then, conditional on the target, we predict
completion probability based on the random forest model. Finally, the general
completion probability can be calculated using the law of total probability. We
present animations for selected plays and show the pass completion probability
evolution.
- Abstract(参考訳): アメリカンフットボールは人気の高いスポーツであり、世界中の多くの国で観衆が増えている。
世界で最も注目されているアメリカンフットボールリーグは、全米フットボールリーグ(NFL)であり、あらゆる攻撃的なプレーはランまたはパスのいずれかであり、この作品ではパスに焦点を当てている。
多くの要因は、最も近いディフェンダーからの受信者分離、受信者から通行者への距離、違反生成など、パス完了の確率に影響を与える可能性がある。
パスの完了確率を予測する場合には、パスの目標が誰であるかを知ることが不可欠である。
プレーヤとボール間の距離測定を用いて、経験的確率を計算し、ターゲットが誰であるかを正確に予測することができる。
大きな疑問は、ボールが空中にいる間にnflの試合でパスが完了する確率がどれくらいなのかだ。
そこで我々は,複数の予測器から解く機械学習アルゴリズムを開発した。
2018年のNFLシーズンのデータを用いて,ランダム森林モデルに基づくパス完了確率の条件付きおよび限界予測値を得た。
これは2段階の手順に基づいており、まず、各攻撃者がパスターゲットである確率を計算し、次に、目標に基づいて条件を定め、ランダム森林モデルに基づいて完了確率を予測する。
最後に、総確率の法則を用いて一般完備確率を計算することができる。
選択されたプレイのアニメーションを提示し,パス完了確率の進化を示す。
関連論文リスト
- Multi-agent Multi-armed Bandits with Stochastic Sharable Arm Capacities [69.34646544774161]
我々は、各アームへのリクエストの到着とプレイヤーへのリクエストの割り当てポリシーをキャプチャするマルチプレイヤーマルチアーム・バンディット(MAB)モデルの新しいバリエーションを定式化する。
課題は、プレイヤーが最適な腕引きプロファイルに従って腕を選択するように分散学習アルゴリズムを設計する方法である。
我々は,Mラウンドのみの最適腕引きプロファイルにおいて,プレイヤーがコンセンサスに達することを保証した反復分散アルゴリズムを設計する。
論文 参考訳(メタデータ) (2024-08-20T13:57:00Z) - Bayes-xG: Player and Position Correction on Expected Goals (xG) using
Bayesian Hierarchical Approach [55.2480439325792]
本研究は, 期待目標(xG)測定値を用いて, 目標となるショットの予測における選手や位置要因の影響について検討した。
StatsBombの公開データを使って、イングランドのプレミアリーグから1万発のショットを分析している。
この研究は、スペインのラ・リガとドイツのブンデスリーガのデータに分析を拡張し、同等の結果を得た。
論文 参考訳(メタデータ) (2023-11-22T21:54:02Z) - Passing Heatmap Prediction Based on Transformer Model and Tracking Data [0.0]
本研究では,パスの潜在的な終端位置を予測できる新しいディープラーニングネットワークアーキテクチャを提案する。
28,000回以上のイベントを解析すると、0.7以上のTop-1精度で堅牢な予測が達成される。
また、この予測に基づいて、ピッチコントロールとパスオプションをよりよく理解することで、選手のオフボール運動が防御性能に与える影響を測定することができる。
論文 参考訳(メタデータ) (2023-09-04T11:14:22Z) - NFL Career Success as Predicted by NFL Scouting Combine [0.0]
ナショナル・フットボール・リーグ(NFL)スカウティング・コンバイン(英語版)は、将来の選手のスキルを評価するツールとして機能している。
機械学習の開発は、スカウティング・コンバインの有用性を評価する新たな機会をもたらす。
機械学習と統計的学習を用いて、将来のスポーツ選手の成功を予測することができるかもしれない。
論文 参考訳(メタデータ) (2023-03-10T08:19:35Z) - Location analysis of players in UEFA EURO 2020 and 2022 using
generalized valuation of defense by estimating probabilities [0.6946929968559495]
イベントの予測確率をスコアスキャニングすることで,防衛チームの総合評価手法を提案する。
男子Euro 2020と女子Euro 2022のフットボールゲームにおける放送ビデオフレーム中の選手のオープンソース位置情報を用いて,選手数の予測への影響を検討した。
論文 参考訳(メタデータ) (2022-11-30T12:43:11Z) - Reconciling Individual Probability Forecasts [78.0074061846588]
データに同意する2つの当事者は、個々の確率をモデル化する方法に異を唱えることができない。
個々の確率は不可知であるが、計算的かつデータ効率のよいプロセスで競合できると結論付ける。
論文 参考訳(メタデータ) (2022-09-04T20:20:35Z) - Surface Form Competition: Why the Highest Probability Answer Isn't
Always Right [70.71122438366142]
Domain Conditional Pointwise Mutual Informationは、サーフェスフォームの競争を補償します。
キャリブレーション機能とアンキャリブレーション機能の両方でゼロショット性能の一貫したゲインを実現します。
論文 参考訳(メタデータ) (2021-04-16T18:57:19Z) - Analysing Long Short Term Memory Models for Cricket Match Outcome
Prediction [0.0]
近年,様々な機械学習技術を用いてクリケットマッチングデータを解析し,試合結果の勝敗を予測している。
本稿では,ボール・バイ・ボールの統計値から,試合の勝利確率を一定間隔で予測できる新しいリカレントニューラルネットワークモデルを提案する。
論文 参考訳(メタデータ) (2020-11-04T04:49:11Z) - Pedestrian Intention Prediction: A Multi-task Perspective [83.7135926821794]
グローバルに展開するためには、自動運転車は歩行者の安全を保証する必要がある。
本研究は歩行者の意図と視覚状態を共同で予測することでこの問題を解決しようとするものである。
この方法はマルチタスク学習アプローチにおけるリカレントニューラルネットワークである。
論文 参考訳(メタデータ) (2020-10-20T13:42:31Z) - SoccerMap: A Deep Learning Architecture for Visually-Interpretable
Analysis in Soccer [1.1377027568901037]
サッカーにおける潜在的なパスの完全な確率曲面を推定できる完全な畳み込みニューラルネットワークアーキテクチャを提案する。
本研究では,パス成功確率の推定において,ネットワークの性能が著しく向上することを示す。
本稿では,プレイヤーレベルでのパスリスクの評価を含む,実践的な応用について述べる。
論文 参考訳(メタデータ) (2020-10-20T11:28:48Z) - TNT: Target-driveN Trajectory Prediction [76.21200047185494]
我々は移動エージェントのための目標駆動軌道予測フレームワークを開発した。
我々は、車や歩行者の軌道予測をベンチマークする。
私たちはArgoverse Forecasting、InterAction、Stanford Drone、および社内のPedestrian-at-Intersectionデータセットの最先端を達成しています。
論文 参考訳(メタデータ) (2020-08-19T06:52:46Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。