亚当斯＋李根＋“双子星”VS斯隆＋周鹏＋朱芳雨＋赵睿_牛城晚报_邢台网
第10版：体育
&&&&&&&&&&
亚当斯＋李根＋“双子星”VS斯隆＋周鹏＋朱芳雨＋赵睿
&&&&在李秋平的战术布置中，速度快、突破狠的亚当斯常常在末节率队拖垮对手，赛季场均30.7分的他被球迷视作“飞虎”新核心。但易受情绪干扰的他状态起伏较大，一旦执意强投三分，便会自废大半功力，面对周湛东的贴身紧逼时，保持冷静才是亚当斯的首要任务。而广东后场核心斯隆则更沉稳，善于调动组织的他通常只在球队陷入僵局时才会开启“单打模式”，而较强的对抗能力也使他在面对新疆车轮防守时更加游刃有余。&&&&同为三号位球员，周鹏和李根都是无法凭单兵限制其火力的球员。半决赛中，李根的低位背打是新疆最大优势，而他稳定的外线远投也屡屡帮助球队稳住局势。相比而言，技术全面的周鹏攻击范围更广，手段更多，对位防守的球员更难招架。因此，两队“虎首”均可能采取一人贴防、多人协防的策略，身高占优的周鹏将会为队友创造不错的机会。&&&&三分线外两队均有稳定射手，季后赛手感回暖的朱芳雨仍是国内最好投手，而素有“3D”&&&&球员之名的西热力江、可兰白克也会毫不手软。不同的是，“飞虎双子星”还是联赛最好的外线防守组合，不惜体力的跑动与对抗使得辽宁核心哈德森难有亮眼表现，新疆因此顺利闯过半决赛。而老将朱芳雨摆脱新疆贴防已是不易，新人赵睿将承担更多突破、防守的重任。&&&&二虎四度交锋，除利爪尖牙的比拼外，还需看战术调整、心态起伏、身体健康等因素，因此实力相当的双方孰能登顶称王犹未可知。CBA总决赛斯隆亚当斯后卫大PK 引来YY LIVE“喷球团”口水潮
　　CBA总决赛首轮，新疆常用轮转后卫亚当斯对阵广东队斯隆。之前表现并不稳定的亚当斯要是再次熄火，必然会被广东队重点突破。YY LIVE的“人人解说”让大批球迷变身平民解说员，在全网面前开启狂喷模式。首轮赛事中关键性的后卫对决，必然引来无数口水横飞。
　　北京时间3月31日，赛季CBA总决赛将正式开打。CBA授权的首家签约互动直播平台，YY LIVE旗下YY体育(频道号：YY36)将全程直播CBA季后赛全程所有赛事，更上线“人人解说”功能，从此每个人都能过把赛事解说瘾。本赛季总决赛的直播当然更不能错过，比赛将在当晚的8点准时开始，大家都准备怎样花式解说?赶紧来YY LIVE体育频道开喷吧。
　　新疆和广东可谓是CBA的老对手了，他们曾在赛季连续三年在总决赛相遇，当时正值王朝的广东男篮分别以4：1、4：1和4：2击败新疆夺冠。新疆男篮成为了广东王朝身后最失落的那支球队。和两个赛季的半决赛中，两队再次连续相遇，结果依然是宏远轻松横扫取胜。但在5年之后，两队的实力发生了不小的逆转。一边是新疆男篮连年的连续投入和持续引援，一边是广东队中生代球员的接连出走，新疆男篮的阵容实力已经超过了广东男篮。本赛季两队两次交手，互有胜负。新疆男篮在主场以129-109击败了易建联缺阵的广东队，广东则在自己的主场以117-85击败了单外援的新疆队。这两场常规赛由于双方各有主力缺阵，因此没有太多的参考意义。
　　在总决赛中，双方的内线比拼将成为最大的看点，周琦+布莱切对阵易建联+布泽尔，两边都是NBA级别的球员。周琦和布莱切的组合优势在于两人更丰富的进攻手段和更大的移动范围，而易建联和布泽尔在经验方面明显更胜一筹。在实战中，究竟哪一边能更占优势?
　　在后卫位置的比拼上，广东队要更胜一筹。广东男篮的斯隆，陈江华，周湛东还有赵睿各有特点，而新疆男篮的常用轮转后卫则是亚当斯，西热力江，罗旭东和王子瑞。亚当斯在对阵辽宁的系列赛中表现并不稳定，一旦他再次熄火，无疑将限制整个球队的效率。广东能在这个优势对位上找到突破口吗?
　　接着要提到的则是双方三号位的较量，周鹏和李根这两位男篮国手将直接迎来正面交锋。周鹏在近两个赛季进攻能力有了长足的进步，目前并不弱于李根，而李根的防守能力则是他的薄弱环节，周鹏能在和李根的对决中找到机会吗?
　　最后要说的是双方的轮换阵容，新疆队的轮换阵容实力明显更胜一筹，他们拥有俞长栋，孙桐林，西热力江等准国字号球员，而广东这边则以年轻球员为主。但是广东的板凳席上坐着谁也不能忽视的朱芳雨，在时隔1480天之后的又一次总决赛中，朱芳雨会成为奇兵吗?
　　可以发弹幕、参加战队，组团吐槽PK、人人都能全网开喷的CBA直播就在YY LIVE体育频道，3月31日晚8点，频道36不见不散。
扫一扫，分享到微信朋友圈
责任编辑：NS061
本文相关推荐
里约当地时间本周一，巴西警方在奥运村中再抓获一名性侵清洁女工的拳击运动员。
4岁时，阮维海右腿下半部分开始出现生长异常。17岁时，长出的异物估计重达25公斤。
王宝强的离婚案可谓一波三折，网上流言四起，众说纷纭。
世界最奇异9大村庄 中国功夫村上榜
获得亚军的何姿却“抢了头条”，颁奖后秦凯单膝跪地向她求婚。何姿眼含热泪地戴上了戒指。
24小时点击排行榜
热线：020-
频道信箱：sports21cn＃ (#改为@)以后数学不好的都不能看篮球了？这是一篇今年斯隆体育分析大会上的论文
我的图书馆
以后数学不好的都不能看篮球了？这是一篇今年斯隆体育分析大会上的论文
SportVU球员追踪数据论文：识别和分析NBA中的挡拆防守策略&Recognizing and Analyzing&Ball Screen Defense in the NBAAvery McIntyre(1),&Joel Brooks(2), John Guttag(2), Jenna Wiens(1)1. Computer Science & Engineering, University of Michigan2. Computer Science and Artificial Intelligence Lab, Massachusetts Institute of Technology摘要作为NBA中最常见的进攻配合，挡拆防守策略是NBA教练组最重要的抉择之一。在本文中，我们建立并实验了一套自动识别常见挡拆防守套路的系统。利用SportVU球员追踪数据和监督式机器学习方法，我们建立了一套学习分类器，用于分辨防守挡拆的方式。在对4个赛季的NBA数据进行试验后，我们的分类器识别出总共270823个挡拆，这可以被用于防守策略的后续研究。我们也在球队和球员层面发表了观察结果。本文为建立一套用于分析挡拆的自动化教练助手工具做出了贡献。1、引言斯蒂芬-库里在2015年总决赛中的25记三分中，有一半来源于挡拆，这说明防守挡拆的有效对策还没有被找到。掩护在片刻间带来的威胁要求防守方必须相互合作，同时限制持球人和掩护者，还要避免不必要的错位。如果防守处理不当，就会让进攻方得利，进而得分。在本文中，我们试图建立一种能帮助教练识别挡拆防守方式的工具，它可以用于自动识别挡拆防守策略和衡量防守策略与每回合得分的关系。我们使用多个赛季的SportVU球员跟踪数据[1]和监督机器学习来准确地将挡拆分成“挤过（over）”、“绕过（under）”、“包夹（trap）”、“换防（switch）”四类。然后我们将训练过的分类器应用于含有270823个挡拆的多赛季数据，并标记了挡拆防守方式。如果将它与其它数据（比如每回合得分）相结合，我们可以从全新的角度研究挡拆。在本文中，我们建立了联盟中球队挡拆防守策略的分布图，并分析了球员在挡拆进攻和防守中的表现。2、数据我们使用了STATS公司的SportVU系统，它以每秒25帧的速度记录球员在场上的位置坐标(x,y)和球的位置坐标(x,y,z)。我们还利用了文字实录（play-by-play）来协助分析，它包括球员信息、数据统计、比赛时间、出手时间等信息。我们分析了四个赛季的数据，参见表1。由于SportVU系统直到2013年才在全部NBA球馆设立，那之前赛季的数据量比较小，因而我们着重分析了数据最全的2013-14赛季的数据。在分析变化趋势时我们考虑了全部四个赛季的数据。表1：研究所用的各赛季比赛数&3、挡拆防守的分类文献2研究了识别挡拆的方法，在它的基础上我们建立了一套系统，读取SportVU的无标签球员位置数据，输出挡拆出现的时间和挡拆防守策略。图1说明了整个系统的三个阶段。本文主要关注第三阶段，即挡拆防守的分类。前两个阶段详见文献2。图1：在这套系统中，我们首先输入SportVU位置数据，识别出挡拆，然后分辨出挡拆防守的策略并得出进攻方收益即每回合得分。3.1&定义在每次挡拆中有四个球员参与：持球人（ball handler）、掩护者（screener）、持球防守者（on-ball defender）和掩护防守者（screen defender）。我们可以将挡拆基于球员的移动方式大致分为四类：挤过：持球防守者在持球人和掩护者之间，即从掩护上方挤过；绕过：持球防守者不在持球人和掩护者之间，即从掩护下方绕过；换防：持球防守者和掩护防守者交换防守对象；包夹：持球防守者和掩护防守者夹击持球人。在每一类中，还可以细分为若干小类，比如“hedge”，即掩护防守者上前延误持球人；还有“show”，即掩护防守者只是上前阻挡持球人。本文中不考虑这些小类。3.2&分类器学习在图1流程的第三阶段，我们根据防守挡拆的方式将挡拆分类。我们没有设立一些人为的规则，而是利用监督学习来自动地建立能够将挡拆防守分为以上四类的模型。我们从2012-13赛季常规赛中选取了6场比赛作为训练数据集，手动标记了340次防守挡拆的尝试。每次防守我们只记下最突出的特征，比如持球防守者先挤过再包夹，由于包夹是挡拆防守更直接的例证，所以标记为包夹。在我们的训练集中有199次“挤过”、56次“绕过”、57次“换防”和28次“包夹”。对每一组数据，我们基于四名球员位置的相互间距提取出特征。我们首先用挡拆检测器提取出挡拆片段，它们长度不一，即有的片段会包含更多的样点。长度上最大的分别是挡拆开始的时间和持球人来到掩护者位置的时间间隔。为了让数据在时间上对齐，我们定义了“掩护瞬间”的概念，它是持球防守人和掩护者距离最小的时刻。我们用这个概念将数据对齐，取掩护瞬间的10帧之前为起始，以投篮、传球、失误或挡拆结束的时刻为结束。对于每组数据，我们用变长矢量来表示球员间的距离，然后用它的统计量来表征这组数据，如均值、最大值、最小值等。提取出这些特征后，我们就得到了定长度的特征向量。为了训练和验证我们的模型，我们首先人为的将标签数据按七三开分为训练集和验证集。由于数据不是均匀分布的，我们采用了分层分割的方法以确保在训练集和验证集中分布的一致性。确定训练集的上下限后，我们将验证集相应地缩放到相同的尺度。本文中使用的是多项式logistic回归的线性多类分类器，在训练集中用五倍交叉验证选择超参数。考虑到类间分布不是均匀的，我们调整类权重，使类权重与类频率成反比[3]。学习分类器最终生成了从表征挡拆的特征矢量x到四类防守挡拆策略其中的一类的映射。3.3分类器性能我们用有标签测试集来评价分类器的性能。对于无标签的输入x，分类器计算得到每一类j的概率估计是：&公式中wj是分类器j的学习回归参数。按照分类的最大概率我们给每组数据标签。接下来重复分割数据、训练机器和调试过程100次，用各类别的查准率和查全率以及总体准确度来评估分类器。最后的总体平均准确率达到0.69(+/-0.03)。表2给出了每一类的表现，表3给出了100次重复试验后的混淆矩阵。在四类防守策略中，分类器对于包夹的识别率最低，而包夹也是训练集中样本最少的。表2：各类别验证集的平均表现（+/-标准差）表3：100次随机交叉验证分割的混淆矩阵为了提高分类器性能，尤其是提高识别包夹的能力，我们使用了基于阈值h的新分类方法：&通过阈值筛选掉可能性小的分类器预测结果，我们能够提高总体的精度。但是这也会降低查全率，因为一些数据没有被标为任何一类。在分析中我们通常更关心准确率，因而我们可以接受这样的权衡。接下来我们将分类器应用到在阶段1和阶段2提取出的全部270823个挡拆，结果得到“挤过”146314个，“绕过”69721个，“换防”37336个，“包夹”17451个。当我们将阈值h设为0.6以提高精度后，得到“挤过”33421个，“绕过”9252个，“换防”8394个，“包夹”383个以及219372组无标签数据无法判断。在下一章我们将分析标签数据，总结出一些观察结果。4.&防守策略的效果和趋势从四个赛季数据中分类器识别出270823个挡拆，除了挡拆的每回合得分，我们还知道参与挡拆的球员。这些数据让我们能够开始从未出现过的研究：挡拆防守策略的效果。本节中，我们从球队层面和球员层面分别进行分析。图2 各赛季分布基本一致，但可以注意到“包夹”的比例略有提高（尽管提高不多）。4.1&球队层面分析首先我们通过四类防守策略的分布变化来分析球队防守策略的趋势，如图2所示。由于分类器达不到100%的准确度，我们从球队和赛季间相对变化入手。在不同赛季中，各类防守策略的平均分布基本保持一致，唯一的特例是“绕过”使用比例增加。我们还比较了不同球队的防守策略，用Kullback-Leibler散度的对称版本来计算分布间的区别，如图3c所示。我们还比较了球队相对于所有球队的平均分布来找到特殊球队。图3a和图3b表示了2013-14赛季球队防守策略偏离平均值的程度。图中还表示了球队挡拆防守策略和赛季胜率的关系，较大、较浅的圆点表示较高的常规赛胜率。我们可以发现有些球队与众不同。2013-14赛季的迈阿密热火包夹的比例（13.2%）几乎是其他球队平均值的2倍（7.5%），这应该与热火常规赛第二的制造失误能力有关联。2013-14赛季的公牛使用“挤过”的比例几乎超出其他球队平均值的7%，我们有理由相信，这是公牛逼迫持球人往边线走的防守策略的一部分。图3 2013-14赛季，（a）公牛队使用“挤过”的比例几乎超出其他球队平均值的7%。（b）nba球队面对挡拆时使用“包夹”的比例是7.5%，而热火队是13%。（c）球队间挡拆防守策略的偏差（颜色越浅表示差别越大）。在图中可以看到快船和热火是防守策略都最独特的球队之一。4.2&球员层面分析在本节中，我们将说明球员组合在攻防两端与挡拆防守的关系，以及这是如何带来每回合产出（即每回合得分）的。4.2.1&进攻端众所周知球队防守挡拆的策略与持球人的进攻技巧有极大的关系。为了用数据支持这一观点，我们将分类器（h=0.6）应用到年之间的球员数据上。在这次分析里，我们将阈值h调得较高，这样得出的各防守策略的准确度都是最高的。最后我们得到了约51000次被标上相应防守策略的挡拆。其中只有大约350次挡拆被标记为包夹，所以在这节的分析里我们不考虑包夹。我们将研究对象设定为被分类器识别出至少300次挡拆的持球人。对于这53名球员，我们计算出对方球队挡拆防守策略的分布，我们还计算了各类防守策略下这名球员发动挡拆的每回合得分。举例来说，我们计算得到勒布朗-詹姆斯被换防策略对待下平均得分是0.83分。图4-6分别表示了挤过、绕过和换防面对这53名球员的效果。图中x轴是面对这种防守策略的频率，y轴是面对这种防守策略下进攻方的每回合得分。在图右上角的球员经常面对这种防守策略，但仍然能够保持得分效率。在图右下角的球员同样经常面对这种防守策略，但效率很低。面对挤过时，我们看到像詹姆斯、普里吉奥尼、查尔莫斯、利拉德和霍勒迪都能得到相对较高的每回合得分。尽管得分效率很高，球队仍然经常选择挤过防守欧文和霍勒迪，使用挤过的比例超过了75%。面对绕过时，我们再次看到普里吉奥尼和詹姆斯的每回合得分接近图的顶端。当麦卡威发起挡拆时，他被绕过防守的比例是最高的，但他面对这种方式的防守效率仍然比较高，而海沃德和塞申斯的进攻效率很低。面对换防时，杜兰特和莫-威廉姆斯的每回合得分领先其他人，而勒布朗-詹姆斯被换防的比例在这53名球员中是最高的。但是勒布朗面对换防时的效率要比面对其它防守策略时略高，这说明勒布朗发起挡拆时使用换防可能不是最优选择。[译注1]而面对查尔莫斯和普里吉奥尼时，换防策略比挤过更加有效。[译注1]：此处原文有误，根据图4-6，勒布朗-詹姆斯在面对换防、挤过、和绕过时的每回合得分分别为0.83、约0.9、和约1.0，这说明换防是三种策略中的最优选择。图4 横轴：被换防对待的比例；纵轴：被换防对待时的每回合得分。詹姆斯尽管被换防的比例比其他球员都多，但仍然能很有效地创造得分机会。杜兰特的得分效率是最高的，但被换防的比例较少。&图5&横轴：被挤过对待的比例；纵轴：被挤过对待时的每回合得分。尽管经常遇到挤过防守，普里吉奥尼、霍勒迪和查尔莫斯仍然能高效地创造得分机会。图6&横轴：被绕过对待的比例；纵轴：被绕过对待时的每回合得分。总体而言，三分射手面对绕过的表现更好。4.2.2防守端除了从进攻端分析挡拆防守，我们还可以从另一方面来分析防守端球员的防守效果。首先，我们在表4中列出了2013-14赛季各类防守策略最成功的一些防守球员（即面对这些防守组合每回合得分最低）。注意到一些防守顶尖的组合或球员没有在表中出现，这是因为我们的样本不足。我们只考虑样本量足够多的组合以保证结果是有意义的。表4 各类防守策略下防守挡拆最有效的组合有意思的是没有哪个组合在所有防守策略下都很成功。从这里我们可以知道研究一名球员总体防守效率是很困难的。这也说明面对不同的挡拆选择防守球员的能力差别很大。我们还分析了单个防守球员面对挡拆的防守效率。根据一名球员和不同球员组合下的平均表现，我们可以发现一些球员脱颖而出。比如说不论和谁搭档，亚当斯防守挡拆的效率都和高。瓦莱乔和霍华德在其它搭档也很出色。图7比较了不同防守组合面对挡拆的每回合失分以及他们各自与所有球员搭档的平均每回合失分。克里斯-保罗和布雷克-格里芬尽管使用换防的效率很高（见表4），但是使用挤过的效果是最差的之一，平均失去1.2分。根据个人的挡拆防守效率，格里芬似乎是防守差的原因。另外伊巴卡和雷吉-杰克逊组合的换防很差，但各自挡拆防守效率很接近。图8列出了所有挡拆防守策略平均后最出色的几名（挡拆）防守球员。这些球员超出了联盟平均水平至少2个标准差。图7 防守搭档以及各自平均防挡拆的每回合失分。有图可见，霍华德和林防守挡拆的化学反应非常出色（比两人分开是效果更好），而格里芬和保罗在一起时的效果不好。图8 （挡拆防守）每回合失分远远好于联盟平均水平的一些球员。其中香珀特、亚当斯、塞福洛沙和卡罗尔等都是有名的防守悍将。在最近的2014-15赛季，我们发现情况略有不同。威斯布鲁克和伊巴卡的组合是最好的挤过防守搭档，而诺阿与罗斯紧随其后。有趣的是，罗斯和保罗-加索尔使用挤过时是效果最差的组合之一。我们再一次注意到根据个人挡拆防守效率，伊巴卡似乎把威斯布鲁克的效率带了上去，而诺阿与罗斯似乎非常合拍：即他们分开各自的挡拆防守效率都一般，但搭档时成了最佳组合之一。保罗和格里芬使用绕过的效果与2014年很接近，依然是最差的之一，格里芬似乎应该背锅。保罗-加索尔和德里克-罗斯使用绕过的效果也很差。总体来看，保罗/格里芬、加索尔/罗斯和拉马库斯-阿尔德里奇/达米安-利拉德是经常搭档的组合里最差的。在2015年，伊巴卡是效果非常高的防守球员，防守挡拆时每回合失分只有0.25分。在所有赛季的数据里，克里斯-保罗/德安德鲁-乔丹、杜兰特/伊巴卡和詹姆斯/查尔莫斯是很突出的几对搭档。图9表示了这些组合的效率以及他们与其他效果更差的搭档的效率。图9 不同（挡拆）防守球员组合的每回合失分。保罗、詹姆斯和杜兰特都有一名出色的防守拍档。5、总结和展望本文中，我们利用分类器来识别防守策略，这使我们能够数字化地认识和分析一场比赛，比基础数据更有价值。我们的成果提高了对于挡拆的认识，至少可以带来两方面的应用：1、球员级别报告通过自动识别挡拆和挡拆防守，我们向建立球员级别分析工具更进一步。这种工具可以快速和自动地评估一场比赛里某些球员行为的效果，协助球员发展工作。2、策略计划当在一个系列赛里分析球队表现时，我们的成果能够帮助进行策略计划。球队可以立刻找到防守的弱点，并利用这些信息来准备未来的比赛。在未来的研究中，我们可以评估联盟里球队防守策略的变化，以及分析一名球员的防守能力对于挡拆结果的影响。参考文献[1]&/sportvu/sportvu.asp.&STATS sportVU, 2015.[2] Armand McQueen, Jenna Wiens, and John Guttag. Automatically recognizing on-ball screens. In&2014 MIT Sloan Sports Analytics Conference, 2014.[3] Kevin P Murphy.&Machine learning: a probabilistic perspective. MIT press, 2012.[4] Fabian Pedregosa, Ga?l Varoquaux, Alexandre Gramfort, Vincent Michel, Bertrand Thirion, Olivier Grisel, Mathieu Blondel, Peter Prettenhofer, Ron Weiss, Vincent Dubourg, et al. Scikit-learn: Machine learning in python.&The Journal of Machine Learning Research, 12:, 2011.备注：本文系MIT Sloan School of Management（麻省理工学院斯隆管理学院）举办的2016年MIT Sloan Sports Analytics Conference（麻省理工学院斯隆体育分析峰会）的最佳论文候选作品。英文原文：/wp-content/uploads/0-Basketball.pdf
TA的最新馆藏