[論文レビュー] Factorized Point Process Intensities: A Spatial Analysis of Professional Basketball

Andrew C. Miller, Luke Bornn+2 more|arXiv (Cornell University)|Jan 5, 2014

Point processes and geometric inequalities参考文献 13被引用数 62

ひとこと要約

本稿では、NBA プレイヤーのシュート選択を空間点過程としてモデル化する非負値行列分解（NMF）手法を提案する。この手法により、シュートの密度表面が解釈可能な低ランク成分に分解され、異なるシュートタイプを表す。この方法により、直感的なオフェンス的プレーヤータイプが明らかになり、フィールドゴール効率の空間的モデリングが高精度で可能となり、従来のヒューリスティックな比較を上回る。

ABSTRACT

We develop a machine learning approach to represent and analyze the underlying spatial structure that governs shot selection among professional basketball players in the NBA. Typically, NBA players are discussed and compared in an heuristic, imprecise manner that relies on unmeasured intuitions about player behavior. This makes it difficult to draw comparisons between players and make accurate player specific predictions. Modeling shot attempt data as a point process, we create a low dimensional representation of offensive player types in the NBA. Using non-negative matrix factorization (NMF), an unsupervised dimensionality reduction technique, we show that a low-rank spatial decomposition summarizes the shooting habits of NBA players. The spatial representations discovered by the algorithm correspond to intuitive descriptions of NBA player types, and can be used to model other spatial effects, such as shooting accuracy.

研究の動機と目的

• 空間的点過程モデリングを用いて、NBA プレイヤーのオフェンス的シュート習慣をデータ駆動的かつ解釈可能な表現で捉えること。
• バスケットボール分析におけるヒューリスティックで曖昧な比較の限界を克服し、教師なし学習によってプレーヤータイプを定量化すること。
• 従来のプレーヤーのポジションを越えたシュート傾向を捉える、低次元かつ空間的インフォームドな特徴空間を構築すること。
• NMF分解を用いて情報化された階層ベイジアンフレームワークにより、コート上の位置に応じたフィールドゴール成功率を関数としてモデリングすること。
• 空間的シュートパターンに基づく多様なオフェンス的プロファイルを持つプレーヤーを特定することで、より良い人事情報意思決定を可能にすること。

提案手法

• バスケットボールコート上で非定常ポアソン過程としてシュート試行をモデル化し、ガウス過程を用いて非パrametricに強度表面を推定する。
• 個々のプレーヤーの強度表面を、共有された空間的シュートタイプの基底に分解するために非負値行列分解（NMF）を適用する。
• 各基底関数に対するプレーヤー固有の係数に正規事前分布を設定することで、プレーヤー間で情報を共有する階層ベイジアンモデルを構築する。
• 基底関数係数の分散に一様な逆ガンマ事前分布を設定し、シュート数が少ないプレーヤーの過剰適合を抑えるための縮小を可能にする。
• ギブスサンプリングと楕円型スライシングを用いて、プレーヤー係数および基底関数の分散に関する後方分布推論を実行する。
• 得られた基底関数およびプレーヤー固有の効率表面を可視化し、コート領域ごとのオフェンス的傾向とシュート精度を解釈する。

実験結果

リサーチクエスチョン

• RQ1 シュート強度表面の低ランク空間的分解は、NBAにおける解釈可能なオフェンス的プレーヤータイプを明らかにできるか？
• RQ2 従来の分類と比較して、NMFベースの要因分解はプレーヤーのシュート選択の背後にある空間的構造をどの程度正確に捉えられるか？
• RQ3 発見された基底関数は、バスケットボールアナリストやコーチが認識できる明確なシュートタイプとして解釈可能か？
• RQ4 要因分解された表現を用いて、コート上の位置に応じたフィールドゴール成功率をどの程度正確に予測できるか？
• RQ5 階層ベイジアンモデルは、シュートデータが少ないプレーヤー間で情報を共有することで、プレーヤー効率の推定をどの程度改善できるか？

主な発見

• NMF分解により、コーナースリーのシュートやミッドレンジジャンプショットといった直感的なオフェンス行動に対応する低次元の空間的シュートタイプの基底が成功裏に特定された。
• 基底係数から導かれたグローバル平均フィールドゴール成功率表面は、ステーブン・カリーとスティーブ・ノヴァックがコーナースリー範囲で平均以上に高い効率を示す一方、カイリー・インプリンツと他の一部のプレーヤーは平均未満であることを示している。
• グローバル効率表面の後方不確実性を可視化したところ、コートの大部分で信頼性のある推定がなされており、リム付近およびコーナーでは不確実性が高くなることが明らかになった。
• 階層モデルは、シュート数が少ないプレーヤーの係数をグローバル平均に適切に縮小し、推定の安定性を向上させた。
• プレーヤー固有の効率表面は明確な空間的パターンを示しており、例えばジェイムズとインプリンツはバスケット周辺で高い効率を示す一方、ノヴァックとカリーは長距離から優れたパフォーマンスを発揮している。
• 本手法は、従来のプレーヤーのポジションラベルよりも、オフェンス行動をより正確かつ解釈可能な形で特徴づけることができ、チーム編成やディフェンス戦略の意思決定を支援する。