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

James H. Hewitt, Oktay Karakuş|arXiv (Cornell University)|2023. 01. 19.

Sports Analytics and Performance참고 문헌 7인용 수 4

한 줄 요약

이 논문은 StatsBomb 이벤트 데이터를 사용하여 선수 및 위치 조정을 통합한 기계학습 기반의 기대 골(xG) 모델을 제안하며, 골문 수비수의 위치, 수비수의 근접도, 슈팅 기술 등 다양한 특징을 통합함으로써 정확도를 향상시킨다. 모델은 리오넬 메시의 xG 효율성이 일반적인 선수들보다 347골 높다는 것을 입증하여, 기존 표준 xG 지표를 뛰어넘는 초우수한 선수의 능력을 포착할 수 있음을 검증한다.

ABSTRACT

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.

연구 동기 및 목표

• 선수별 및 위치별 성과 조정을 통합하여 더 정확한 기대 골(xG) 모델을 개발하기 위해.
• 수비수의 위치, 골문 수비수의 위치, 슈팅 기술 등 기존 xG 모델이 간과하는 요소들을 고려하지 못하는 한계를 해결하기 위해.
• 데이터 기반의 선수 조정 xG 프레임워크를 통해 리오넬 메시와 같은 초우수 선수의 슈팅 효율성을 정량화하고 검증하기 위해.
• 공개된 StatsBomb 데이터를 사용하여 재현 가능하고 투명한 xG 모델을 제공함으로써 학술계 및 산업계의 고급 축구 분석 접근성을 높이기 위해.
• 포지션 하위군집(선수, 미드필더, 수비수) 간 xG 변환 효율성에 유의미한 차이가 있는지, 개별 선수가 이러한 기준을 초월하는지 탐구하기 위해.

제안 방법

• 연구는 xG 예측을 이元 분류 문제로 설정하여, 15,575개의 슈팅에서 골 확률을 예측하기 위해 로지스틱 회귀와 기울기 부스팅(XGBoost)을 사용한다.
• 핵심 특징으로는 슈팅 위치(거리 및 각도), 수비수의 압박 반경, 골문 수비수의 위치, 슈팅 기술(예: 볼런, 헤딩 슛 등)이 포함된다.
• 모델는 StatsBomb 이벤트 데이터를 사용하여 훈련 및 검증되며, StatsBomb, FBRef, infogol.com 등의 업계 표준과 성능을 비교한다.
• 위치 조정 xG는 훈련 데이터를 세 하위군집(선수, 미드필더, 수비수)으로 나누어 위치별 슈팅 효율성의 차이를 평가하기 위해 구현된다.
• 선수 조정 xG는 리오넬 메시의 슈팅에 특별히 적용되어, 그의 실제 xG 성과와 일반 모델 출력 결과를 비교하여 그의 초우수한 효율성을 정량화한다.
• 모델 성능은 게임 수준의 xG 타임라인과 슈팅 맵을 사용하여 평가되며, 실제 경기 결과(예: 2018 UEFA 챔피언스리그 결승전)와의 교차 검증이 수행된다.

Figure 1: A freeze frame example: shot location (distance and angle)

실험 결과

연구 질문

• RQ1 골문 수비수의 위치와 수비수의 압박을 통합함으로써 기존 표준 모델 대비 xG 예측 정확도가 얼마나 향상되는가?
• RQ2 포지션 조정을 고려할 때, 선수, 미드필더, 수비수 간 기대 골 변환 효율성에 유의미한 차이가 존재하는가?
• RQ3 리오넬 메시의 슈팅 성과가 일반 xG 모델의 예측을 얼마나 초월하는가? 이는 개인의 초우수한 능력을 시사하는가?
• RQ4 개선된 특징을 갖춘 기계학습 기반 xG 모델이 실제 경기 상황에서 상업적 xG 지표를 능가할 수 있는가?
• RQ5 다양한 슈팅 기술(예: 볼런, 헤딩 슛 등)은 xG 값에 어떤 영향을 미치며, 기존 모델은 이러한 고도의 기술 슈팅의 가능성에 대해 과도하게 평가하고 있는가?

주요 결과

• 일반 모델과 위치 조정 모델 모두에서 선수들이 가장 높은 xG 변환 효율성을 보였고, 그 다음으로 미드필더, 수비수가 이어졌다.
• 제안된 xG 모델은 2018 UEFA 챔피언스리그 결승전에서 총 xG 3.4를 기록하여 StatsBomb(2.7), FBRef(3.4), infogol(3.59)과 유사한 결과를 도출했다.
• 리오넬 메시의 xG 성과는 일반 모델의 예측보다 347골 높게 나타나, 평균 선수들에 비해 통계적으로 유의미한 효율성 우위를 보임을 시사한다.
• 모델은 가레스 베일의 헤딩 슛에 대해 0.131의 xG를 예측했고, StatsBomb의 0.023보다 높게 평가하여 상업적 모델이 이러한 고도의 기술 슈팅을 과도하게 평가하고 있을 수 있음을 시사한다.
• 슈팅 기술과 수비수의 압박은 xG의 중요한 예측 변수였으며, 볼런과 헤딩 슛의 경우 상업적 모델과 제안된 모델 간 유의미한 차이가 나타났다.
• 골문 수비수의 위치와 슈터와 골문 사이의 수비 상황을 통합함으로써 모델 정확도가 향상되었으며, 이는 이전 문헌에서 지적된 핵심적 단점 해결에 기여했다.

Figure 2: (a) Baseline model results with existing 26 features. (b) Baseline model performance after adding extra features. (c) Proposed xG model performance.