KRYK : les étudiants de l’Université de Toronto sont finalistes dans le « Big Data Bowl » de l’analyse sportive

Contenu de l’article

Une équipe de l’Université de Toronto participe mercredi au Super Bowl d’analyse sportive, connu sous le nom de Big Data Bowl.

Contenu de l’article

Il s’agit de la cinquième incarnation du concours. La tâche de cette année est de concevoir de meilleures mesures plus détaillées pour analyser les performances de blocage de passes et de précipitation de passes dans la NFL, à la fois collectivement en tant qu’unités et individuellement.

Il y a deux semaines, la NFL a annoncé huit finalistes parmi les idées soumises par quelque 400 data scientists du monde entier. Chacun des groupes finalistes reçoit 10 000 $ US en prix.

Le gagnant du Big Data Bowl sera choisi mercredi lors du NFL Scouting Combine à Indianapolis, avec un prix supplémentaire de 20 000 $ US en jeu.

L’une des deux seules équipes universitaires de premier cycle à se qualifier comprend trois prodiges de l’Université de Toronto – Hassaan Inayatali, Aaron White et Daniel Hocevar. Lorsque l’appel à candidatures de la ligue a été lancé aux analystes de données sportives professionnels et en herbe en octobre, Inayatali, White et Hocevar étaient prêts.

Contenu de l’article

Le trio U of T a fini par développer plusieurs nouvelles mesures statistiques analytiques pour la précipitation des passes et la protection des passes – ce qu’ils appellent la pression de poche continue (CPP), l’espérance de vie de poche offensive (OPLE), l’espérance de vie de poche défensive (DPLE) et la pression excédentaire (SP ).

« Nous avons tous commencé en tant que cadres du groupe d’étudiants en analyse sportive de l’Université de Toronto (nommé UTSPAN) », a déclaré Inayatali, une majeure en sciences de l’ingénieur, dans une interview de Toronto avant de s’envoler pour Indianapolis, Ind. « Nous sommes chacun principalement dans un domaine à vocation technique. Daniel est étudiant en informatique en troisième année, Aaron est étudiant en statistique en deuxième. Je suis entre ma troisième année et ma quatrième année. Nous avons donc chacun eu l’occasion de travailler dans une variété de cours de codage et de mathématiques.

Contenu de l’article

Contenu de l’article

« Finalement, nous avons trouvé quelque chose qui a un sens intuitif et dont nous sommes vraiment fiers. »

L’idée de leur soumission est née en septembre dernier, lorsqu’Inayatali a présenté certains de ses travaux analytiques sur le repêchage de la LNH – issus de ses propres recherches indépendantes – au prestigieux Symposium Cascadia sur les statistiques dans le sport (Cassis), qui a lieu tous les deux ans à Vancouver. C’est là qu’il a vu une présentation du gagnant du Big Data Bowl de l’année dernière, une équipe d’étudiants de l’Université Simon Fraser.

« Je pensais que ce qu’ils avaient fait était vraiment intéressant », a déclaré Inayatali. « J’ai décidé que je voulais travailler aux côtés de mes coéquipiers à UTSPAN sur une soumission Big Data Bowl. »

Grâce aux dispositifs de suivi portés par chaque joueur de la NFL, la position, la direction et la vitesse précises de chaque joueur à tout moment, sur n’importe quel jeu, sont enregistrées. La ligue s’associe à Amazon Web Services pour rassembler ces données pour son opération Next Gen Stats, qui pendant six ans a offert des statistiques beaucoup plus larges et plus significatives sur le plan analytique, que nous voyons souvent représentées graphiquement sur les émissions télévisées de la NFL.

Contenu de l’article

La ligue a mis ces données détaillées – à partir d’un large échantillon de matchs de la saison 2021 – à la disposition des participants au Big Data Bowl de cette année.

« C’était une opportunité de travailler avec les données de suivi officielles fournies par la ligue, qui ne nous sont généralement pas ouvertes dans d’autres sports », a déclaré Inayatali. « Par exemple, il est assez difficile de mettre la main sur, disons, les données de suivi de la LNH. J’ai donc pensé que l’opportunité de travailler avec des ensembles de données aussi raffinés et très bien fournis par AWS et la NFL était une opportunité incroyable. Alors on s’est lancé dedans. »

Les trois étudiants sont de grands fans de sport depuis toujours avec une passion commune pour l’analyse de pointe.

« Je pense que nous sommes tous fans de presque tous les sports », a déclaré Inayatali. « L’une des choses qui ont rendu notre projet si bien fait est que nous avons pris des concepts de divers sports pour développer nos modèles. Par exemple, un a été tiré du football européen. C’est un exemple de la prise de notre compréhension d’autres sports et de sa réapplication dans l’espace NFL.

Contenu de l’article

Actuellement, les seuls moyens statistiques généralement connus pour mesurer la pression appliquée par les lanceurs de passes d’une défense contre la ligne d’une attaque – dans la poursuite de limoger, ou du moins de harceler, le quart-arrière – sont les sacs, les hâtes ou les coups QB. C’est ça.

« Mais chacun de ces résultats se produit à la fin de la pièce », a déclaré Inayatali. «Il n’y a pas vraiment de compréhension de ce qui se passe pendant la durée de la pièce. Nous essayions essentiellement de quantifier la pression exercée sur le quart-arrière à, disons, deux secondes après le début du jeu contre trois secondes, etc.

«Donc, notre processus de réflexion était que si nous pouvons définir, en continu, quelle est la pression à chaque instant, alors les équipes peuvent identifier cela, disons, même si le quart-arrière a relâché le ballon après 1,5 seconde, comment la ligne offensive se comportait.

Contenu de l’article

« Donc, notre vision était, essentiellement, si nous pouvions développer cette métrique de » pression de poche continue « , cela rendrait la recherche d’une métrique pour tout le reste tellement plus facile. »

Continu? Mais aucun pass rusher, et aucune ligne défensive, n’applique jamais une pression QB constante, du début à la fin, à chaque snap, n’est-ce pas?

« Bien sûr », a déclaré Inayatali. «Je suppose que la façon dont j’aime y penser est du point de vue du quart-arrière. Que Von Miller soit à un mètre de moi ou à trois mètres, je ressens une certaine pression, n’est-ce pas ? Donc, essentiellement, notre objectif était de pouvoir dire quand il est à un mètre, c’est beaucoup plus de pression que lorsqu’il est à trois mètres, mais il y a toujours un certain niveau de pression quand il est à trois mètres.

Le trio d’étudiants a trouvé un moyen codé pour quantifier ces différents niveaux de pression.

Contenu de l’article

« Les sacs et les hâtes sont binaires ; soit il est sous pression, soit il ne l’est pas », a déclaré Inayatali. « Alors que dans la vraie vie, il y a (des degrés) de pression. C’est l’élément de continuité.

«Ensuite, nous pouvons déterminer la quantité d’espace autour du quart-arrière que la défense contrôle. Et puis vous pouvez encore modifier cela pour dire que contrôler la zone plus proche du quart-arrière est plus précieux que l’espace plus éloigné, et nous agrégeons toutes ces informations pour construire notre métrique de « pression de poche continue », qui est à la fois visuelle et intuitive. attirant. »

Avec cela connu, des mesures individuelles et unitaires peuvent alors être conçues et mesurées à chaque instant, pour les joueurs de ligne offensifs et défensifs. Ensuite, vous pouvez comparer la façon dont différentes équipes et différents individus se comparent les uns aux autres – potentiellement à chaque sous-seconde, ou que ce soit en blitz ou non, etc.

Contenu de l’article

Par exemple, dans leur soumission, les étudiants de l’U de T ont constaté que dans les situations de ruée vers les passes à quatre dans la fenêtre d’échantillonnage des matchs de 2021 fournis aux participants au Big Data Bowl, les 10 meilleures défenses, dans l’ordre, étaient Philadelphie (avec un DPLE de 3.122), Las Vegas, Cleveland, Pittsburgh, Caroline, Washington, Buffalo, Arizona, Green Bay et les Jets de New York.

Le trio a nommé son autre ramification analytique innovante dans ce domaine « surpression » (SP). C’est-à-dire combien plus ou moins un défenseur applique de pression lorsqu’il est dans le jeu, par rapport à lorsqu’il ne l’est pas. Donc SP est un calcul de combien le défenseur contribue à faire pression sur le QB par rapport à ses coéquipiers sur une base par jeu, multiplié par son nombre de clichés défensifs.

Contenu de l’article

Le Top 5 du trio en SP dans l’échantillon de 2021 était, dans l’ordre, Rashan Gary de Green Bay (19,53), Myles Garrett de Cleveland, Emmanuel Ogbah de Miami, Ndamukong Suh de Tampa Bay et Shaquil Barrett de Tampa Bay (16,77).

Les participants au Big Data Bowl cette semaine peuvent rencontrer et interagir avec quelque 250 membres du personnel d’analyse, entraîneurs et personnel de front-office de la NFL à Indianapolis. C’est important, parce qu’un élément important de l’événement est la connexion de carrière. Jusqu’à présent, cinquante participants au Big Data Bowl ont décroché des emplois dans le sport professionnel, dont plus de 30 embauchés par des équipes de la NFL ou des fournisseurs de suivi des joueurs.

« Nous sommes tous très enthousiastes à l’idée de cette opportunité, c’est sûr », a déclaré Inayatali.

John Kryk écrit un bulletin hebdomadaire sur les questions NFL. C’est là que vous pouvez d’abord voir ses choix directs chaque semaine. Vous pouvez recevoir la newsletter automatiquement dans votre boîte de réception les mercredis en vous inscrivant simplement – gratuitement – à https://torontosun.com/newsletters/

[email protected]

@JohnKryk