Menganalisis pertandingan sepak bola: pemain serupa dengan DBSCAN dan lintasan serupa dengan TRACLUS

Saya mencoba menganalisis kumpulan data yang berasal dari sensor yang terletak di dekat sepatu pemain dalam pertandingan ( http://www.orgs.ttu.edu/debs2013/index.php?goto=cfchallengedetails ).

Saya memutuskan untuk melihat pengelompokan untuk mengidentifikasi:

1. Lintasan pemain yang serupa dalam pertandingan dengan menggunakan algoritma pengelompokan TRACLUS

2. Mirip pemain dengan menghitung beberapa karakteristik seperti bagian yang gagal, umpan silang yang gagal, tembakan dan tekel. Saya pikir menggunakan DBSCAN untuk mengelompokkan mereka.

3. Kelompokkan pemain yang mengoper bola satu sama lain lebih sering. Bagaimana saya bisa mengelompokkannya?

Bisakah saya mengeksploitasi sesuatu yang lain dari tipe dataset ini? Apakah ada karakteristik lain yang dapat saya gunakan di poin 2?

Ada 2 pertanyaan di sana (poin 1 bukan pertanyaan). Semua jawaban ada di bawah ini.

T1: Bagaimana Anda bisa mengelompokkan pemain yang mengoper bola satu sama lain lebih sering?

Dalam pandangan saya ini adalah tugas yang dimuat yang lebih baik dibagi menjadi yang berikut:

• Identifikasi apakah pemain mengoper bola. Anda harus melihat distribusi data sensorik yang sering dikaitkan dengan tindakan yang terkait dengan bola yang lewat. Banyak cara untuk melakukan ini. Sekali cara mewah bisa dengan mereplikasi dataset yang dikumpulkan secara empiris ini dalam game 3D yang Anda memuat pemain dengan sensor serupa. Yang menyenangkan tentang permainan ini adalah Anda dapat mengidentifikasi variabel target yang ingin Anda prediksi (yaitu Anda tahu jika mereka mengoper bola). Dengan cara ini, menggunakan permainan, Anda dapat menghubungkan distribusi data sensorik dengan variabel yang ditargetkan, pada akhirnya menghasilkan serangkaian sampel berlabel. Terakhir, Anda menerapkan langkah adaptasi domain di mana model game 3D Anda ditransformasikan ke domain secara collecfted dataset (sehingga Anda dapat menjalankannya di sana dengan kesalahan lebih sedikit daripada tanpa langkah adaptasi domain).
• Identifikasi apakah pemain menerima bola. Mirip dengan poin di atas tetapi untuk distribusi data sensorik setelah menerima bola.
• Identifikasi pass yang terhubung dan terima. Ini relatif sepele: dua pemain mengoper bola satu sama lain jika menerima terjadi setelah umpan. Untuk mengurangi kebisingan, Anda mungkin ingin menambahkan kendala tambahan pada asumsi ini untuk memastikan bahwa pass tidak disengaja terpisah dari yang disengaja.

T2: Dapatkah saya mengeksploitasi sesuatu yang lain dari jenis dataset ini? (sehingga Anda memperluas titik 2)

• Kelelahan / stamina / kecepatan sebagai fungsi dari aktivitas dan waktu. Ini mungkin mudah untuk diperkirakan dengan melihat pada frekuensi frekuensi bagaimana posisi / kecepatan sensor berubah.
• Setelah Anda mengidentifikasi titik di atas, Anda dapat memperkirakan parameter lain, seperti waktu pemulihan.
• Selain itu, kaitkan semua hal di atas dengan hubungan pemain dengan timnya. Misalnya, apakah seorang pemain lebih sering mengoper bola ketika dia lelah? Kepada siapa pemain, atau ke arah mana, dia cenderung mengoper bola saat dia lelah? Apakah dia mengubah target / arahan yang lewat ketika dia memulihkan staminanya?