Каждый год десятки генеральных менеджеров собирают свою команду тренеров и руководителей в «военной комнате» в день драфта, где они проведут следующие несколько дней, размышляя о том, как сформировать будущее своей команды НФЛ. Каков главный приз для борющейся команды в день драфта? Выбор квотербека, который приведет их команду к победе и станет лицом команды на долгие годы.
Выбор квотербека НФЛ из года в год оказывается одной из самых сложных задач для генеральных менеджеров. Посмотрите не дальше, чем на «Кливленд Браунс», которые с 1999 года начали тридцать разных квотербеков и за это время не выиграли ни одной игры плей-офф. Как изменилась бы история команды, если бы они смогли выбрать такого игрока, как Том Брэди или Илай Мэннинг; два квотербека, которые провели всю карьеру в своих командах, вдобавок к тому, что выиграли несколько чемпионатов?
Выбор правильного квотербека НФЛ никогда не будет легким. Но если мы сможем использовать машинное обучение, чтобы давать нам советы на основе данных в процессе принятия решений, мы сможем получить преимущество при выборе следующей суперзвезды. Или, что более важно; избежать следующего бюста.
Обучение модели
Используя данные 500 квотербеков колледжей, относящиеся к футбольному сезону колледжей 2000 года, я обучил модель машинного обучения (XGBRegressor), которая пытается предсказать успех в НФЛ. Я решил количественно оценить «успех» с помощью «games_started_per_season», потому что считаю, что он лучше всего измеряет общий успех и устойчив к нескольким различным сценариям, которые могут ввести в заблуждение модель машинного обучения (даже если квотербек начинает целый год, он не будет долго если он не удался). Для справки, среднее количество стартов за сезон среди квотербеков НФЛ с 1987 года составляет около 3,7 стартов.
Понимание модели
Вот разбивка функций, которые использовала модель, и то, как они повлияли на принятие решений. Зеленый цвет указывает на общее положительное отношение к «успеху», как мы его определили, а красный означает обратное.
Кое-что из этого не вызывает удивления. Победа в играх и выполнение большого количества пропусков каждый год в колледже, естественно, свидетельствует о некотором таланте. Но некоторые функции немного нелогичны.
Всего завершений и TD: может быть, пребывание в колледже и наращивание статистики свидетельствует о том, что QB недостаточно подготовлен к НФЛ?
Рывок на 40 ярдов. Чем медленнее время, тем больше успех. Это подтверждает идею о том, что бегущие квотербеки могут испытывать трудности в НФЛ.
Конференция Power 5: это вряд ли могло быть фактором. Оценка один для аутсайдеров!
Проверка модели: попадания и промахи
Давайте посмотрим на самые большие успехи и неудачи модели. На каждом графике показаны особенности, которые отличают каждого игрока от других и влияют на принятие решений моделью.
Элай Мэннинг:
Этот график показывает, что именно рост Илая, количество завершений в год и скорость (или ее отсутствие) отличали его от других. Модель предсказывала 6,35 запусков в год, что значительно ниже, чем его фактическое количество запусков в год, но намного выше среднего 3,7. Хороший звонок!
Брэди Куинн:
Брауны выбрали Брэди Куинна в первом раунде драфта 2007 года, полагая, что у них есть новая франшиза QB. Модель посоветовала бы им этого не делать; что дает Куинну средний балл 2,77 старта за сезон. Он начал 3,33 игры за сезон. Хороший звонок!
Брэндон Виден:
Еще один выбор Брауна в первом раунде! Наверняка на этот раз они нашли своего парня! Модель предсказала оценку ниже среднего 1,48. К несчастью для Видена и Браунов, у него была правильная идея. Во время своего пребывания в НФЛ Виден начинал всего 3,5 игры в год. Хороший звонок!
Джеймис Уинстон:
Уинстон не является одним из лучших стартовых квотербеков в лиге, но он играет стабильно. При 14 стартах за сезон он ловко превзошел ожидания модели ниже среднего, всего 1,22 старта за сезон. Мисс!
Будущее НФЛ:
Вот несколько прогнозов для недавно выбранных квотербеков, у которых еще не было достаточно времени, чтобы закрепить свое наследие. В то время как жюри может еще не принять решения по некоторым из них, мы определенно можем начать оценивать точность модели на некоторых. Помните: все, что выше 3,7, выше среднего среди квотербеков НФЛ:
Хорошие звонки? Мейсон Рудольф, Бейкер Мэйфилд, Патрик Махоумс, Дешон Уотсон, Джаред Гофф, Дэниел Джонс, Чад Келли, Митч Трубиски
Промахи? Дрю Лок, Джейк Браунинг, Гарднер Миншью, Сэм Дарнольд, Ламар Джексон, Джош Аллен
Хотя она, конечно, не идеальна, похоже, что модель может быть полезной для выявления выше среднего, стартовых QB и резервов/спадов ниже среднего. Если бы я принимал решения, я бы счел полезным иметь такой инструмент при принятии сложных решений между очень талантливыми игроками.
Эта модель была обучена на очень простой статистике. Имея доступ к более продвинутой статистике, я уверен, что модели машинного обучения могли бы делать очень точные прогнозы по сложным вопросам, таким как этот, для квотербеков и других позиций. Меня не удивит, если еще несколько дальновидных команд уже используют такие модели!
Используйте модель, чтобы делать собственные прогнозы! Нажмите здесь
