報告教練：我用 AI 分析出怎麼守住 LeBron James 了！
來源：https://buzzorange.com/techorange/2018/05/25/how-to-defend-lbj/
【我們為什麼挑選這篇文章】今年的騎士在「眾人皆醉，皇獨醒」的情況下，還是打進了
東區決賽，關鍵當然 LeBron James 這位 33 歲老將，持續打出不符合年齡的超強表現。
隨著 AI 應用擴展到運動領域，LBJ 當然也成為研究者的目標，文章中的論文就是專門教
你，如何守住詹皇和他的快樂夥伴。有人要轉給賽爾提克教頭 Brad Stevens 看嗎？（責
任編輯：康陳剛）
--
今天 NBA 官方公布了今年度的年度前三隊，LeBron James 再度入選年度第一隊，生涯目
前累積 12 次入選，與 Karl Malone 並列歷史第一。
這是詹皇的第 15 個賽季了，沒人能想到，33 歲的老詹在這一賽季依舊強勢打出眾
多巔峰數據。
不僅拿下了該賽季最高得分 2251 分，傲視全聯盟。還發揮出了近 8 賽季以來最高場均
得分 27.5，打破了 Kobe Bryant 創下職業生涯 30000 分的年齡記錄。逆生長的他體能
也爆表，場均上場時間 36.9 分鐘均雄踞全聯盟榜首。
現在正在和騎士隊爭奪東區冠軍的賽爾提客教練 Stevens，也在東冠系列賽第一戰後坦言
：「詹姆斯的進攻能力越來越強了。我覺得怎麼提高我們的防守水平，是一個需要我們好
好思考的問題。」
如何提高？那夾守策略的研究可以指望 AI 嗎？
可以。
--
【或許強化學習可以】
近期 MIT 斯隆體育分析大會上，密歇根大學的研究團隊研究了一下如何用強化學習建個
模型來尋找最佳包夾戰略。
於是就有了這篇 論文 。作者聲稱，這是 史上第一篇利用強化學習，研究 NBA 防守策略
的論文 。
論文裡採用的訓練集是近三季以來的 NBA 影片，用到了 64 萬多個持球片段。按道理說
，只要反覆分析那些包夾表現完美的片段，理論上可以總結一套最佳的包夾戰略。
嗯對，理論上。看看具體怎麼操作吧！
--
【告訴機器什麼是包夾】
首先，把 NBA 的影片分割成可分析的持球片段：從所有的球員都過了半場那一刻開始，
到進攻時限重新開始計算截止。
再把這些持球片段按秒切開，每一秒防守方都要考慮什麼時候包夾、留哪個空位風險最低
，以及根據場上局勢迅速預判包夾的效益有多大。
然後用一個簡單的分類系統，判斷上述切分好的片段中是否存在包夾行為。若持球人的附
近，即一定距離的半徑範圍內有兩個人防守（圖左 a 部分），且這個狀態持續至少兩秒
以上，那麼初步判定為包夾。
不過，要是有一個防守的人同時出現在兩個進攻隊員有效的防守半徑內，那這種情況就不
算是包夾（圖左 b 部分）。
從圖右的 c 表格可以看出，這個自動判斷包夾的分類模型還算可行，效果比人類標註員
的誤判要少得多。經過統計，64 萬個持球錄像片段中，只有 4.8% 被判定為包夾，所以
研究人員把這 4.8% 挑出來，再按結果分類。
--
【按得失分類】
包夾最好的結果是能遏制對方進球，搶到籃板後得分，但不是每次都能表現如此完美。根
據包夾後的得分（或失分）情況，可分成 6 類：得/失 2 分，得/失 3 分，犯規，失誤
。
分析之後發現，進攻力很強的球員被包夾之後，進球難度加大，2 分/3 分的得分率都降
低了一點點，這說明包夾可以起到一定的壓制效果。
但 2 分失分率、犯規率明顯升高，都是防守方選擇包夾是要面臨的風險。不僅會更容易
犯規，也給了對方空檔投籃的機會。
--
【預處理數據，給包夾效果打分】
機器篩出表現不錯的包夾片段後，進一步數據按秒切好。然後轉成直觀的運動軌跡（
Court Image）。除了運動軌跡信息，判斷要不要包夾某個球員的必要資訊還有對方的身
高、體重等，所以輸入的數據還需要其他非空間的特徵值（flat features）。
可視化的球員運動軌跡交給卷積網絡（ConvNet）去提取視覺上的特徵，至於非空間特徵
值則交給全連接網絡（FC Net）處理，最後輸出 Q 值，相當於是給包夾效果打個分。
Q 值僅為每種實際狀態下對可能的行為打分。
而這整個強化學習的網絡，叫 Nothing But Net，簡稱 NBNet。
--
【控制變量訓練 RL 模型】
為了盡可能客觀地還原不同防守策略的效果，要控制進攻方這個變量。
因此，進攻方的數據選了進攻力接近 Max 的老詹所在的球隊，騎士。從中翻出那些對手
防得還不錯的瞬間，總結一下。
騎士的 2 萬多個持球片段，總共分三部分：70% 訓練用，10% 做驗證，最後留 20% 待評
估。經訓練後的 RL 模型會對待測片段作出是否應該進行包夾的預測。
等到 NBNet 模型訓練得差不多了——預測包夾的結果（29.29%）比較接近真實情況（
33.92%）時，研究團隊就讓模型進入實戰，分析之前篩好的包夾片段。
結果發現，模型輸出的 Q 值越大，被包夾的一方得分越低，這說明該輪防守效果越好。
那麼問題來了：在所有對戰騎士的球隊裡，哪個球隊的 Q 值最大？
--
【防騎士，公牛 No.1】
NBNet 按各球隊以往數據打分，發現 Q 值最大的是公牛隊。今年常規賽上公牛防騎士的
表現也可圈可點。
--
【包夾，還是不包夾？】
除了最強防守隊，NBNet 分析完一圈騎士的數據後，還給了個的夾防建議：
最不該包夾的人就是 Lebron James！
上圖裡的藍柱，指的是實際比賽中某球員被包夾的比例，而橙柱是模型建議的比例。紅框
的數據顯示，詹皇持球時，對手包夾的比例接近 25%，由此可見防守方內心的焦灼。不過
模型建議，夾防的比例得降至 15%，否則得不償失。
除了詹皇，像進攻力很強的明星球員 Irving、Thompson 也最好少夾，漏防反而給對方空
位投球的機會（哎，模型寶寶都不知道歐文不在騎士了，sad）。
此外，NBNet 還給了最違反直覺的建議： 夾防時，最好不要漏防弱側底線 。不然到時空
位一旦拿球補防完全來不及。
相反的，可以優先考慮留空上圖右邊那兩坨墨藍區的人，這樣協防起來相對沒那麼費力。
--
【閒聊：詹皇能走多遠？】
雖然現在騎士隊現在在東冠系列賽以 2：3 落後賽爾提克，但數據顯示詹皇在季後賽是越
戰越強，他們能走多遠，甚至衝擊總冠軍，都不容小覷。
當然如果有人把這篇論文給 Stevens 看的話，那可能又另當別論了。（笑）
--
心得：嗯嗯，很有趣的論文分析！
--
來源：https://buzzorange.com/techorange/2018/05/25/how-to-defend-lbj/
【我們為什麼挑選這篇文章】今年的騎士在「眾人皆醉，皇獨醒」的情況下，還是打進了
東區決賽，關鍵當然 LeBron James 這位 33 歲老將，持續打出不符合年齡的超強表現。
隨著 AI 應用擴展到運動領域，LBJ 當然也成為研究者的目標，文章中的論文就是專門教
你，如何守住詹皇和他的快樂夥伴。有人要轉給賽爾提克教頭 Brad Stevens 看嗎？（責
任編輯：康陳剛）
--
今天 NBA 官方公布了今年度的年度前三隊，LeBron James 再度入選年度第一隊，生涯目
前累積 12 次入選，與 Karl Malone 並列歷史第一。
這是詹皇的第 15 個賽季了，沒人能想到，33 歲的老詹在這一賽季依舊強勢打出眾
多巔峰數據。
不僅拿下了該賽季最高得分 2251 分，傲視全聯盟。還發揮出了近 8 賽季以來最高場均
得分 27.5，打破了 Kobe Bryant 創下職業生涯 30000 分的年齡記錄。逆生長的他體能
也爆表，場均上場時間 36.9 分鐘均雄踞全聯盟榜首。
現在正在和騎士隊爭奪東區冠軍的賽爾提客教練 Stevens，也在東冠系列賽第一戰後坦言
：「詹姆斯的進攻能力越來越強了。我覺得怎麼提高我們的防守水平，是一個需要我們好
好思考的問題。」
如何提高？那夾守策略的研究可以指望 AI 嗎？
可以。
--
【或許強化學習可以】
近期 MIT 斯隆體育分析大會上，密歇根大學的研究團隊研究了一下如何用強化學習建個
模型來尋找最佳包夾戰略。
於是就有了這篇 論文 。作者聲稱，這是 史上第一篇利用強化學習，研究 NBA 防守策略
的論文 。
論文裡採用的訓練集是近三季以來的 NBA 影片，用到了 64 萬多個持球片段。按道理說
，只要反覆分析那些包夾表現完美的片段，理論上可以總結一套最佳的包夾戰略。
嗯對，理論上。看看具體怎麼操作吧！
--
【告訴機器什麼是包夾】
首先，把 NBA 的影片分割成可分析的持球片段：從所有的球員都過了半場那一刻開始，
到進攻時限重新開始計算截止。
再把這些持球片段按秒切開，每一秒防守方都要考慮什麼時候包夾、留哪個空位風險最低
，以及根據場上局勢迅速預判包夾的效益有多大。
然後用一個簡單的分類系統，判斷上述切分好的片段中是否存在包夾行為。若持球人的附
近，即一定距離的半徑範圍內有兩個人防守（圖左 a 部分），且這個狀態持續至少兩秒
以上，那麼初步判定為包夾。
不過，要是有一個防守的人同時出現在兩個進攻隊員有效的防守半徑內，那這種情況就不
算是包夾（圖左 b 部分）。
從圖右的 c 表格可以看出，這個自動判斷包夾的分類模型還算可行，效果比人類標註員
的誤判要少得多。經過統計，64 萬個持球錄像片段中，只有 4.8% 被判定為包夾，所以
研究人員把這 4.8% 挑出來，再按結果分類。
--
【按得失分類】
包夾最好的結果是能遏制對方進球，搶到籃板後得分，但不是每次都能表現如此完美。根
據包夾後的得分（或失分）情況，可分成 6 類：得/失 2 分，得/失 3 分，犯規，失誤
。
分析之後發現，進攻力很強的球員被包夾之後，進球難度加大，2 分/3 分的得分率都降
低了一點點，這說明包夾可以起到一定的壓制效果。
但 2 分失分率、犯規率明顯升高，都是防守方選擇包夾是要面臨的風險。不僅會更容易
犯規，也給了對方空檔投籃的機會。
--
【預處理數據，給包夾效果打分】
機器篩出表現不錯的包夾片段後，進一步數據按秒切好。然後轉成直觀的運動軌跡（
Court Image）。除了運動軌跡信息，判斷要不要包夾某個球員的必要資訊還有對方的身
高、體重等，所以輸入的數據還需要其他非空間的特徵值（flat features）。
可視化的球員運動軌跡交給卷積網絡（ConvNet）去提取視覺上的特徵，至於非空間特徵
值則交給全連接網絡（FC Net）處理，最後輸出 Q 值，相當於是給包夾效果打個分。
Q 值僅為每種實際狀態下對可能的行為打分。
而這整個強化學習的網絡，叫 Nothing But Net，簡稱 NBNet。
--
【控制變量訓練 RL 模型】
為了盡可能客觀地還原不同防守策略的效果，要控制進攻方這個變量。
因此，進攻方的數據選了進攻力接近 Max 的老詹所在的球隊，騎士。從中翻出那些對手
防得還不錯的瞬間，總結一下。
騎士的 2 萬多個持球片段，總共分三部分：70% 訓練用，10% 做驗證，最後留 20% 待評
估。經訓練後的 RL 模型會對待測片段作出是否應該進行包夾的預測。
等到 NBNet 模型訓練得差不多了——預測包夾的結果（29.29%）比較接近真實情況（
33.92%）時，研究團隊就讓模型進入實戰，分析之前篩好的包夾片段。
結果發現，模型輸出的 Q 值越大，被包夾的一方得分越低，這說明該輪防守效果越好。
那麼問題來了：在所有對戰騎士的球隊裡，哪個球隊的 Q 值最大？
--
【防騎士，公牛 No.1】
NBNet 按各球隊以往數據打分，發現 Q 值最大的是公牛隊。今年常規賽上公牛防騎士的
表現也可圈可點。
--
【包夾，還是不包夾？】
除了最強防守隊，NBNet 分析完一圈騎士的數據後，還給了個的夾防建議：
最不該包夾的人就是 Lebron James！
上圖裡的藍柱，指的是實際比賽中某球員被包夾的比例，而橙柱是模型建議的比例。紅框
的數據顯示，詹皇持球時，對手包夾的比例接近 25%，由此可見防守方內心的焦灼。不過
模型建議，夾防的比例得降至 15%，否則得不償失。
除了詹皇，像進攻力很強的明星球員 Irving、Thompson 也最好少夾，漏防反而給對方空
位投球的機會（哎，模型寶寶都不知道歐文不在騎士了，sad）。
此外，NBNet 還給了最違反直覺的建議： 夾防時，最好不要漏防弱側底線 。不然到時空
位一旦拿球補防完全來不及。
相反的，可以優先考慮留空上圖右邊那兩坨墨藍區的人，這樣協防起來相對沒那麼費力。
--
【閒聊：詹皇能走多遠？】
雖然現在騎士隊現在在東冠系列賽以 2：3 落後賽爾提克，但數據顯示詹皇在季後賽是越
戰越強，他們能走多遠，甚至衝擊總冠軍，都不容小覷。
當然如果有人把這篇論文給 Stevens 看的話，那可能又另當別論了。（笑）
--
心得：嗯嗯，很有趣的論文分析！
--
All Comments