足球的還沒有實(shí)驗(yàn)過，但是籃球領(lǐng)域已經(jīng)有過類似的研究了：

下文已經(jīng)發(fā)表在第四范式專欄中。

鐺鐺or唰唰，機(jī)器學(xué)習(xí)預(yù)測(cè)科比的投籃中不中？

Part 1

科比·布萊恩特，廣大的中國籃球迷對(duì)于這個(gè)名字應(yīng)該非常熟悉，當(dāng)然也各自懷抱著不同的感情?？墒菬o論你是黑還是粉，有一點(diǎn)應(yīng)該是被廣泛認(rèn)可的：科比是21世紀(jì)以來，整個(gè)NBA聯(lián)盟里進(jìn)攻方式最無解、得分技巧最全面的球員。他的每一次出手都伴隨著自信，令對(duì)手提心吊膽，即使可能在那之前他已經(jīng)連丟了許多投籃。橫亙20年的職業(yè)生涯，他的比賽錄像被一遍遍地研究，人們希望能總結(jié)出一些規(guī)律，用以限制這個(gè)幾乎無所不能的男人。

那么問題來了，我們可不可以結(jié)合經(jīng)驗(yàn)和已知的信息，用最科學(xué)的方式評(píng)估科比的某一次出手能夠命中籃筐的幾率呢？答案是肯定的，機(jī)器學(xué)習(xí)對(duì)于分析數(shù)據(jù)、理論預(yù)測(cè)最為在行。在大數(shù)據(jù)的思維下，即使面對(duì)體育比賽這樣瞬息萬變的場(chǎng)景，機(jī)器學(xué)習(xí)也可以發(fā)現(xiàn)其中的“蛛絲馬跡”。

問題起源于kaggle（一個(gè)數(shù)據(jù)科學(xué)社區(qū)）上的一次公開競(jìng)賽，我們掌握的數(shù)據(jù)是科比20年NBA職業(yè)生涯中所有投籃出手（field goal attempts）的相關(guān)信息，包含以下這些條目：

除此之外，自然還存在一個(gè)label：shot_made_flag，即本次出手是否命中。所有三萬多條數(shù)據(jù)中的5000條選作測(cè)試集，其label值被隱去，最終的工作就是要在學(xué)習(xí)其余數(shù)據(jù)的基礎(chǔ)上，預(yù)測(cè)這5000次出手命中的可能性。

在預(yù)測(cè)5000次出手命中的過程中，我們也發(fā)現(xiàn)了一些有意思的結(jié)果：

Part 2

好了，介紹完背景，準(zhǔn)備好數(shù)據(jù)，接下來就該第四范式斥巨資開發(fā)的先知平臺(tái)登場(chǎng)了。借助于這個(gè)科學(xué)方便的機(jī)器學(xué)習(xí)平臺(tái)，我們可以系統(tǒng)、直觀地完成這個(gè)機(jī)器學(xué)習(xí)課題。

要想讓計(jì)算機(jī)學(xué)會(huì)評(píng)估科比的投籃成功率，我們自然得提供已知的范例來“教會(huì)”它。有了前面列出來的這些信息，事情就好辦了。其實(shí)只有三個(gè)問題需要明確：

1.科比的投籃成功率和什么有關(guān)？

每一個(gè)信息條目，就代表著科比此次出手的一項(xiàng)特征（feature）。既然是特征，那么肯定與是否命中這一結(jié)果息息相關(guān)，例如：

仔細(xì)觀察某些特征，還能發(fā)現(xiàn)不少有趣的東西。例如球隊(duì)名這一項(xiàng)就體現(xiàn)不出什么價(jià)值，因?yàn)榭票榷甓即谕恢蜿?duì)；對(duì)手這一變量更是饒有意味，舉個(gè)例子來說，熟悉科比的球迷應(yīng)該都知道，他一打猛龍就來勁。

2.有哪些因素應(yīng)該組合起來描述科比的投籃？

在很多時(shí)候，單一特征不足以完整反映此次出手的某個(gè)性質(zhì)，我們需要將若干特征組合在一起使用，以更合理地幫助計(jì)算機(jī)訓(xùn)練模型。

第四范式提供自動(dòng)的特征組合算法——FeatureGo，簡(jiǎn)單地使用“自動(dòng)特征組合”算子，先知平臺(tái)就可以開始他的表演。

有一組被組合起來的特征是shot_zone_area（出手區(qū)域，包括左側(cè)、右側(cè)等）和shot_zone_basic（出手區(qū)域類型，包括中距離、外線、禁區(qū)等），這兩項(xiàng)特征被組合起來的理由易于理解，同時(shí)確定了角度和距離才可以定位科比出手的位置，組合起來使用是科學(xué)的方式。

還有一組特征，action_type（出手方式，包括跳投、上籃等）和opponent（對(duì)手球隊(duì)名）也被組合起來了。乍一看這是沒有什么聯(lián)系的一組，可是仔細(xì)一分析卻會(huì)有收獲：球隊(duì)各自的防守傳統(tǒng)不一樣，有些球隊(duì)專注于培養(yǎng)外線鐵閘，有些球隊(duì)熱衷內(nèi)線巨獸；那么面對(duì)不同的防守重心，科比選擇攻擊籃筐還是外線投射在成功率上的區(qū)別應(yīng)該有所體現(xiàn)，因此，先知平臺(tái)從數(shù)據(jù)層面發(fā)現(xiàn)了這一專家經(jīng)驗(yàn)，幫助我們更優(yōu)地提取特征。

3.哪些因素對(duì)科比投籃影響最大？

特征種類很多，相關(guān)度自然有高有低。我們最關(guān)心的，當(dāng)然是對(duì)結(jié)果影響力最強(qiáng)的那些特征，先知平臺(tái)可以很方便地幫我們尋找出來。

我們通過先知完成特征抽取之后，可以連接“特征重要性分析”算子，通過計(jì)算后就可以得到各項(xiàng)特征在機(jī)器學(xué)習(xí)過程中的重要性排序。

先知告訴我們，與科比投籃成功率關(guān)聯(lián)相對(duì)最大的一項(xiàng)特征是action_type（出手方式，包括跳投、上籃等），原因可能在于不同的出手方式，其命中率差別本身就較大，例如科比的上籃（包括扣籃）的命中率肯定會(huì)高于其中距離跳投，而中投的成功率和三分相比又會(huì)略勝一籌。類似的，下面是其他一些重要的特征：

有了對(duì)于特征重要度的分析報(bào)告，我們?cè)谔幚碇匾院芨叩奶卣黜?xiàng)時(shí)就應(yīng)該更加注意，謹(jǐn)慎考慮是否分桶、其泛化性如何等等關(guān)鍵問題。

Part 3

有了上述的分析，我們已經(jīng)打好了堅(jiān)實(shí)的基礎(chǔ)，當(dāng)然，預(yù)測(cè)科比的投籃沒有這么簡(jiǎn)單，但是先知的“黑科技”也不遠(yuǎn)止于此，我們一步一步來實(shí)現(xiàn)它。

首先，我們需要將整個(gè)數(shù)據(jù)上傳至先知平臺(tái)，可以看到其中包含了科比職業(yè)生涯一共30697次出手的相關(guān)數(shù)據(jù)。

引入數(shù)據(jù)后，我們拖入“數(shù)據(jù)拆分”算子，先將這三萬條數(shù)據(jù)拆成訓(xùn)練集和測(cè)試集，對(duì)于訓(xùn)練集中的兩萬五千條數(shù)據(jù)，簡(jiǎn)單地按照9：1的比例隨機(jī)拆分成訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)。

拆分?jǐn)?shù)據(jù)完成之后，就是提取特征的過程，這一過程針對(duì)不同變量有著不同的提取方式：有些離散值可以直接使用，有些連續(xù)變量則需要分桶；小數(shù)位保留太多泛化性不夠，就需要向下取整；單一變量不足以完整反映某項(xiàng)特性，就要多個(gè)組合起來……這些復(fù)雜、技巧性強(qiáng)的過程先知平臺(tái)都可以輕松幫你搞定：拖入“特征組合”算子，設(shè)定好學(xué)習(xí)率和隨機(jī)調(diào)參次數(shù)之后，先知會(huì)為我們算出若干種特征抽取和組合方式，由于 logloss 和 AUC 具有數(shù)學(xué)一致性，選擇其中AUC最高的一種來使用即可。

在完成特征提取的工作之后，下一步就要應(yīng)用學(xué)習(xí)算法來生成一個(gè)預(yù)測(cè)模型了。數(shù)據(jù)經(jīng)過特征自動(dòng)組合之后已經(jīng)全部離散化，因此我們選擇邏輯回歸算法來做訓(xùn)練。同樣地，我們面臨調(diào)參這個(gè)讓人頭大的問題，別擔(dān)心，先知依然可以幫你快速搞定。我們使用“邏輯回歸自動(dòng)調(diào)參”算子，只需要設(shè)定調(diào)參次數(shù)、參數(shù)范圍這樣一些基本的指標(biāo)，就可以達(dá)成反復(fù)試驗(yàn)以得到最佳參數(shù)的目的。

經(jīng)過自動(dòng)調(diào)參后，我們把最佳的參數(shù)填入邏輯回歸的參數(shù)表中，這樣輸出就將是一個(gè)訓(xùn)練好的機(jī)器學(xué)習(xí)模型。下面就需要對(duì)其質(zhì)量做一個(gè)檢驗(yàn)，利用之前訓(xùn)練集分出來的測(cè)試數(shù)據(jù)做模型預(yù)測(cè)。由于評(píng)估標(biāo)準(zhǔn)是logloss，在輸出后連接一個(gè)SQL算子，計(jì)算預(yù)測(cè)結(jié)果的logloss值。

可以看見，logloss值還較小，測(cè)試通過。最后一步，我們需要把這個(gè)模型應(yīng)用到label未知的測(cè)試集上，以得到最終的結(jié)果。出于模塊化的考慮，我們把這個(gè)模型導(dǎo)出，重新命名發(fā)布，那么之后就可以直接使用這個(gè)訓(xùn)練好的模型了。由于測(cè)試集中各數(shù)據(jù)的label為空，而先知平臺(tái)目前暫時(shí)還不能對(duì)空集做特征抽取，因此我們引入一個(gè)PySpark自定義腳本，把這個(gè)空值設(shè)為0。接著，我們使用與前面一致的特征抽取方法對(duì)測(cè)試集特征做處理，再套上先前的模型，就可以很方便地輸出結(jié)果了。

Part 4

至此，我們完成了利用機(jī)器學(xué)習(xí)評(píng)估科比單次投籃命中概率的全過程。整體看下來，先知平臺(tái)完成一個(gè)機(jī)器學(xué)習(xí)項(xiàng)目所表現(xiàn)出的靈活性與方便性都非常突出。通過先知，我們可以省去很多繁瑣復(fù)雜的步驟，克服很多頗具難度的問題，不僅提高了效率，也降低了機(jī)器學(xué)習(xí)應(yīng)用的門檻。

回到這個(gè)課題本身，讓我們來看看結(jié)果里的數(shù)據(jù)，概率高的那些情形，科比一定是最飄逸、最擅長(zhǎng)的；概率低的那些情形，科比可能是最無助、最偏執(zhí)的。這個(gè)留在無數(shù)少年青春里的男人，完成了那么多壯舉，也背負(fù)了那么多罵名，如今都過去了。封存在那一串串?dāng)?shù)字里的，有他的痛點(diǎn)，有我們的回憶，可更多的，是一種堅(jiān)持。

明白了這些，或許你就能化身懂球帝，對(duì)著墻上張貼的海報(bào)說：

科比，我已經(jīng)看穿了你。

如果你對(duì)我們感興趣，請(qǐng)?jiān)谶@里申請(qǐng)先知平臺(tái)：https://prophet.4paradigm.com

參考資料：Kobe Bryant Shot Selection