[論文レビュー] An Application of Topological Data Analysis to Hockey Analytics

Daniel Goldfarb|arXiv (Cornell University)|Sep 25, 2014

Topological and Geometric Data Analysis参考文献 2被引用数 8

ひとこと要約

この論文は、2013–2014年シーズンのNHL選手データに、位相的データ解析（TDA）の持続的ホモロジーを適用し、チームの攻撃的パフォーマンスに関連する構造的パターンを同定する。独自開発のツール「TeamPlex」を用いて、選手1人あたり12のパフォーマンス指標を多次元点として分析し、Corsi-forの値が高いほどスパarsity（長い0次元バー）とトンネル効果（少ない/短い1次元バー）が顕著になることが判明。これは、チーム編成の評価や選手移籍の意思決定に新たな手法を提供する。

ABSTRACT

This paper applies the major computational tool from Topological Data Analysis (TDA), persistent homology, to discover patterns in the data related to professional sports teams. I will use official game data from the North-American National Hockey League (NHL) 2013-2014 season to discover the correlation between the composition of NHL teams with the currently preferred offensive performance markers. Specifically, I develop and use the program TeamPlex (based on the JavaPlex software library) to generate the persistence bar-codes. TeamPlex is applied to players as data points in a multidimensional (up to 12-D) data space where each coordinate corresponds to a selected performance marker. The conclusion is that team's offensive performance (measured by the popular characteristic used in NHL called the Corsi number) correlates with two bar-code characteristics: greater extit{sparsity} reflected in the longer bars in dimension 0 and lower extit{tunneling} reflected in the low number/length of the 1-dimensional classes. The methodology can be used by team managers in identifying deficiencies in the present composition of the team and analyzing player trades and acquisitions. We give an example of a proposed trade which should improve the Corsi number of the team.

研究の動機と目的

• 位相的データ解析が、チームの攻撃的成功に関連する隠れた構造的パターンをNHL選手パフォーマンスデータから同定できるかを検討すること。
• 従来の線形モデルに適さない高次元的かつ流動的なアイスホッケー選手の統計データを分析する課題に対処すること。
• JavaPlexを基盤とするTeamPlexという実用的なツールを開発し、実世界のスポーツアナリティクスに持続的ホモロジーを適用すること。
• 位相的特徴、特にバーコードにおけるスパarsity（0次元バーの長さ）とトンネル効果（1次元サイクルの持続性）が、Corsi-forというチームの支配時間の指標としてのチーム攻撃的パフォーマンスを予測できることを示すこと。

提案手法

• 本研究では、選手パフォーマンスデータを12次元空間内の点として扱い、各次元がシュート数、ヘッドショック数、フォアオフなどパフォーマンス指標を表すものとして、持続的ホモロジーを用いて分析する。
• TeamPlexは、JavaPlexライブラリを基盤に開発されたカスタムアプリケーションであり、選手データから持続的バーコードを計算し、フィルトレーションスケールにわたるホモロジークラスを可視化する。
• 分析は、2つの位相的特徴に焦点を当てる：スパarsity（0次元バーの長さ、クラスタの分離度を示す）とトンネル効果（1次元サイクルの持続性、データ構造におけるループやサイクルを示す）。
• 本研究では、データポイントから単体複体を構築するためのČech複体フィルトレーションを適用し、さまざまなスケールで位相的特徴を検出可能にする。
• Corsi-for順にランク付けされたNHLチーム間でバーコードを比較し、高パフォーマンスチームに関連する一貫した位相的パターンを同定する。
• 本研究では、選手1人あたり12のパフォーマンス指標を含む2013–2014年シーズンの実際のNHLデータを用い、位相的モデルの訓練および検証を実施する。

実験結果

リサーチクエスチョン

• RQ1 持続的ホモロジーは、多次元のアイスホッケー選手データに隠れた構造的パターンを検出でき、それがチームの攻撃的パフォーマンスに関連するか？
• RQ2 バーコードにおけるスパarsityやトンネル効果といった位相的特徴は、チームの支配時間の指標であるCorsi-for統計とどのように関係するか？
• RQ3 位相的データ解析は、選手獲得や移籍意思決定における実用的インサイトを提供できるか？
• RQ4 Corsi-forの値が高いチームは、より顕著な位相的特徴（長い0次元バー、少ない1次元バー）を示すか？
• RQ5 高パフォーマンスチームと低パフォーマンスチームの間で、一貫した位相的シグネイチャが存在するか？

主な発見

• Corsi-forの値が高いチーム、例えばサンノゼ・シャークスやシカゴ・ブラックホックスは、より長い0次元の持続的バーを示しており、選手データのスパarsity（疎らかさ）が顕著で、チーム編成の明確で分離された構造を反映している。
• 高パフォーマンスチームではトンネル効果が顕著に低く、1次元の持続的クラスが少なく、短いことが確認され、データ構造内に持続的なループやサイクルが少ないことを示している。
• Corsi-forが最低順位のエドモントン・オイラーズとバッファロー・セイブレッズは、最も高いトンネル効果と最短の0次元バーを示しており、密度が高く、構造のないデータクラスタを示している。
• 本研究では、位相的特徴と攻撃的パフォーマンスとの間に明確な相関関係が同定された：長い0次元バーと低い1次元持続性は、より良いチームの支配時間指標と関連している。
• 提示された移籍の例では、低い位相的スコア（例：短い0次元バー）を持つ選手を置き換えることで、チーム全体の位相的プロファイルが向上し、Corsi-forの向上が予測される。
• 本手法は、チーム編成における構造的欠陥を的確に同定でき、位相的指標に基づくデータ駆動型の選手移籍評価フレームワークを提供した。