机器学习竞赛分享：NFL大数据碗（上篇）

kaggle竞赛分享：NFL大数据碗 - 上

竞赛简介

一年一度的NFL大数据碗，今年的预测目标是通过两队球员的静态数据，预测该次进攻推进的码数，并转换为该概率分布；

竞赛链接

https://www.kaggle.com/c/nfl-big-data-bowl-2020

项目链接，该项目代码已经public，大家可以copy下来直接运行

https://www.kaggle.com/holoong9291/nfl-big-data-bowl

github仓库链接，更多做的过程中的一些思考、问题等可以在我的github中看到

https://github.com/NemoHoHaloAi/Competition/tree/master/kaggle/Top61%25-0.01404-zzz-NFL-Big-Data-Bowl

一些基本概念

• 美式足球：进攻方目的是通过跑动、传球等尽快抵达对方半场，也就是达阵，而防守方的目的则是相反，尽全力去阻止对方的前进以及尽可能断球；
• 球场长120码(109.728米），宽53码（48.768米），周长是361.992米；
• 球员：双方场上共22人，进攻方11人，防守方11人，进攻方持球；
• 进攻机会：进攻方共有四次机会，需要推进至少十码；
• 进攻方：进攻方的职责是通过四次机会，尽可能的向前推进10码或者达阵，以获得下一个四次机会，否则就需要交出球权；
• 防守方：防守方则是相反，尽可能的阻止对方前进，如果能够断球那更好，直接球权交换；
• handoff：传球；
• snap：发球；
• 橄榄球基本知识点我了解；
• QB：四分卫，通常是发球后接球的那个人，一般口袋阵的中心，但是也不乏有像拉马尔-杰克逊这样的跑传结合的QB，目前古典QB代表是新英格兰爱国者NE的汤姆-布雷迪；
• RB：跑卫，通常发球后进行冲刺、摆脱等，试图接住本方QB的传球后尽可能远的冲刺；

球场码线图

一个常见的开球前站位图

数据字段介绍、绘图分析

字段信息：

• GameId - a unique game identifier - 比赛ID
• PlayId - a unique play identifier -
• Team - home or away - 主场还是客场
• X - player position along the long axis of the field. See figure below. - 在球场的位置x
• Y - player position along the short axis of the field. See figure below. - 在球场的位置y
• S - speed in yards/second - 速度，码/秒
• A - acceleration in yards/second^2
• Dis - distance traveled from prior time point, in yards
• Orientation - orientation of player (deg) 球员面向
• Dir - angle of player motion (deg) 球员移动方向
• NflId - a unique identifier of the player - NFL球员ID
• DisplayName - player's name - 球员名
• JerseyNumber - jersey number - 球衣号码
• Season - year of the season
• YardLine - the yard line of the line of scrimmage
• Quarter - game quarter (1-5, 5 == overtime) - 当前是第几节比赛，5为加时
• GameClock - time on the game clock - 比赛时间
• PossessionTeam - team with possession - 持球方
• Down - the down (1-4) - 达阵
• Distance - yards needed for a first down - 距离拿首攻所需距离
• FieldPosition - which side of the field the play is happening on
• HomeScoreBeforePlay - home team score before play started - 赛前主队分数
• VisitorScoreBeforePlay - visitor team score before play started - 赛前客队分数
• NflIdRusher - the NflId of the rushing player
• OffenseFormation - offense formation
• OffensePersonnel - offensive team positional grouping
• DefendersInTheBox - number of defenders lined up near the line of scrimmage, spanning the width of the offensive line
• DefensePersonnel - defensive team positional grouping
• PlayDirection - direction the play is headed
• TimeHandoff - UTC time of the handoff - 传球时间
• TimeSnap - UTC time of the snap - 发球时间
• Yards - the yardage gained on the play (you are predicting this) - 目标
• PlayerHeight - player height (ft-in) - 球员身高
• PlayerWeight - player weight (lbs) - 球员体重
• PlayerBirthDate - birth date (mm/dd/yyyy) - 生日、岁数
• PlayerCollegeName - where the player attended college - 大学
• Position - the player's position (the specific role on the field that they typically play) - 场上位置
• HomeTeamAbbr - home team abbreviation - 主队缩写
• VisitorTeamAbbr - visitor team abbreviation - 客队缩写
• Week - week into the season
• Stadium - stadium where the game is being played - 体育场
• Location - city where the game is being player - 城市
• StadiumType - description of the stadium environment - 体育场类型
• Turf - description of the field surface - 草皮
• GameWeather - description of the game weather - 比赛天气
• Temperature - temperature (deg F) - 温度
• Humidity - humidity - 湿度
• WindSpeed - wind speed in miles/hour - 风速
• WindDirection - wind direction - 风向

定义问题

回归预测，Target是码数，但是最终结果需要转换为条件概率分布；

Evaluation Function

Continuous Ranked Probability Score (CRPS)；

项目流程分享

定义模型输出结果到概率分布的转换类

这里竞赛需要的并不是具体的码数，而是码数对应的概率分布，也就是所有码数在一次进攻中的概率，所以需要这样一个转换类，如下：

缺失值处理

训练数据上看，缺失情况不严重，缺失字段如下：

这里对缺失的处理根据不同类型的字段采取不同的方式：

1. 天气相关字段，由于天气具有连续性，因此采用前向填充较为合理：
   
2. 体育场类型，严格来说应该是通过baidu、google等去搜索，但是NFL的相关信息baidu搜到的太少，google上看也没找到，所以用取值最多的来填充：
   
3. FieldPosition，这个字段的缺失不同于以上两个，通过对数据的分析，它的缺失源于在中线开球时，此时没法明确指出是在哪个半场，所以缺失，这里用一个特别的值来填充，“Middle”；
4. OffenseFormation，进攻队形，实际缺失了5条，统一用取值最多的来填充即可；
5. DefendersInTheBox，防守方在混战线附近的人数，通过观察数据可以通过球队、对手、以及防守组成员来填充DefendersInTheBox：
   
6. Orientation 球员方位-角度，Dir 球员移动-角度，只有一条缺失，且该球员正常上场了的，应该是技术型缺失，用mean填充即可；

异常、重复等处理

1. StadiumType：存在不同名但是同意思的情况，这里要整理后归一处理，避免对模型产生干扰；
   
2. 存在PossessionTeam既不是HomeTeamAbbr也不是VisitorTeamAbbr，共有120场比赛中出现这种情况；
   
3. 草皮字段处理；
   
4. Location字段也存在重复含义但是不同值的情况需要归一；
   

EDA：探索性数据分析

下面是通过matplotlib绘制的一场比赛中的多个进攻防守回合的展示图，黑色三角形是QB，红色是进攻方，淡蓝色是防守方：

可以清楚的看到每次进攻不同的站位，以及整个推进的过程，这里我记录的一份NFL比赛手记，爱国者vs乌鸦，新老QB的正面交锋，非常精彩，可以对照着看一下；

特征工程

这里由于我个人对橄榄球的了解也并不是很多（强推电影弱点），所以特征工程部分做的并不是很好，从结果看Top61%也反映除了这个问题，但是我依然觉得具有一定的参考意义，下面我会分析每个新特征构建的目的，以及我的想法；

1. WindSpeed,WindDirection：直观看，对比赛影响应该不大，可能存在某些传球手喜欢顺风或者逆风，但是影响应该很小，所以我这里选择丢弃；
2. PlayerHeight：转为球员身高，身高无疑对比赛是有关系的；
3. PlayerBirthDate：生日转为岁数，岁数可以表示一个球员的身体状况是否处于巅峰等；
4. 开球到传球的时间 - (TimeHandoff-TimeSnap)：我认为这一时间的长短一定程度上决定了战术的选择，而战术肯定是影响了进攻码数的；
   
5. 比赛进行时间 - (15-GameClock+Quarter*15)：比赛进行了多久对球员们的体力、战术选择等都有很大影响；
   
6. Position_XX：用于统计当前进攻中场上各个角色的人数组成，这也跟战术选择密切关系；
   
7. goal区：码线对方半场10码或10码内，此时距离达阵不到10码，一般这种情况下战术选择会变得与之前不太一样，不管是防守方还是进攻方；
   
8. 首攻危险：这是我自己定义的，即当目前进攻方仅有一次进攻机会，而所需继续进攻的码数大于5时，我认为是有首攻危险的，此时很可能丢失球权，down为4，且distance大于5；
   
9. 距离达阵还有多少码：一般距离的不同，防守方的防守策略会有不同，距离较远一般会较为保守，距离较近则会比较激进；
   
10. 其余object特征做label encode处理；

聚合数据并整理聚体统计特征

这里要注意，训练数据每一行表示的是一次进攻中一个球员的情况，我们预测的是每次进攻，因此需要把每22条数据聚合为1条，这个过程中会有一些数据统计特征的产生，下面简介整个流程：

1. 延迟特征：即每个球员分别在之后0.5s，1s，2s，3s后的位置信息；
2. 平均特征：分为进攻方和防守方，平均速度、平均加速度、平均身高、平均体重、平均年龄；
3. 持球人为中心特征：当前、延迟0.5s，1s，2s，3s时，进攻方和防守方球员与他的平均距离；
4. 持球人为中心特征2：当前、延迟0.5s，1s，2s，3s时，进攻方和防守方球员在持球人3码、5码内的人数估计；

一次进攻的成败，大部分情况下取决于四分卫的发挥，而对其发挥其重要作用的，除了他自己，就是他身边的队友以及对手的数量，这一定程度上影响了他的可选择空间大小；

这一段的处理代码较多，只截取了一部分，如下：

测试数据处理

测试数据处理与训练数据保持一致即可；

建模

到此，数据处理完毕，后续就是建模、调参、combine等优化处理了，这一步我没有花太多精力，模型选择ExtraTreesRegressor，由于其使用了oob，因此不需要CV，结果如下：

最后

大家可以到我的Github上看看有没有其他需要的东西，目前主要是自己做的机器学习项目、Python各种脚本工具、数据分析挖掘项目以及Follow的大佬、Fork的项目等：
https://github.com/NemoHoHaloAi