A Machine Learning Approach for Player and Position Adjusted Expected Goals in Football (Soccer)

要約

タイトル：サッカーにおける選手とポジションに対応した期待得点の機械学習アプローチ

要約：

– サッカーは得点が他のスポーツに比べて少なく、結果によりドライブされる産業であるため、チームや個人のパフォーマンスを判断するためには、さらなるパラメータが必要です。
– 期待得点（xG）は単なるスコアラインよりも深い洞察を提供することができます。
– この論文では、サッカーイベントデータに開発され適用された機械学習アプリケーションを使用して、さらなるサッカーの分析の必要性に取り組んでいます。
– コンセプトから、Logistic RegressionとGradient Boostingベースのアプローチを使用して確率的な評価が出力されるバイナリ分類問題が作成されます。
– モデルは15,575ショットをもとにサッカー選手のxGの確率値を正確に予測することができます。StatsBombがデータプロバイダとなり、業界ベンチマークがモデルの調整のために使用されます。
– xGの提案されたMLソリューションは、「ボールは間違った人に落ちてしまった」という古いクリシェに取り組むためにさらに使用されます。
– モデルの開発は、ポジショナルアジャストxGを扱い、トレーニングデータをフォワード、ミッドフィールド、ディフェンスに分割し、ポジショナルサブグループに基づいてプレーヤー品質に対する洞察を提供することを目的としています。ポジション調整xGは、攻撃的な選手ほどxGを蓄積する能力に優れていることを予測し、最も高い値はフォワード、次いでミッドフィールダー、ディフェンダーとなります。
– 最後に、この研究は、メッシが平均的なサッカー選手よりも統計的に高い効率レベルにあることを証明することを目的として、プレイヤーに対応したxGの開発をさらに進めています。メッシのサブセットサンプルを使用して、一般的なxGモデルと比較した彼の質を量化し、結果的にメッシのxGは一般的なモデルの結果よりも347 xG高いことを発見しました。

要約(オリジナル)

Football is a very result-driven industry, with goals being rarer than in most sports, so having further parameters to judge the performance of teams and individuals is key. Expected Goals (xG) allow further insight than just a scoreline. To tackle the need for further analysis in football, this paper uses machine learning applications that are developed and applied to Football Event data. From the concept, a Binary Classification problem is created whereby a probabilistic valuation is outputted using Logistic Regression and Gradient Boosting based approaches. The model successfully predicts xGs probability values for football players based on 15,575 shots. The proposed solution utilises StatsBomb as the data provider and an industry benchmark to tune the models in the right direction. The proposed ML solution for xG is further used to tackle the age-old cliche of: ‘the ball has fallen to the wrong guy there’. The development of the model is used to adjust and gain more realistic values of expected goals than the general models show. To achieve this, this paper tackles Positional Adjusted xG, splitting the training data into Forward, Midfield, and Defence with the aim of providing insight into player qualities based on their positional sub-group. Positional Adjusted xG successfully predicts and proves that more attacking players are better at accumulating xG. The highest value belonged to Forwards followed by Midfielders and Defenders. Finally, this study has further developments into Player Adjusted xG with the aim of proving that Messi is statistically at a higher efficiency level than the average footballer. This is achieved by using Messi subset samples to quantify his qualities in comparison to the average xG models finding that Messi xG performs 347 xG higher than the general model outcome.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI