データサイエンス演習|Group 10 Bravo

失点で「試合の流れ」は変わるのか

「流れ」をチームのプレーぶり31項目として表し、1試合の時間変化と、多数の失点場面を重ねた結果の両方から調べました。

0.63 広い比較でのAUC
条件を厳しくすると0.52/0.48。失点だけが原因とは判断できません。

まず、1試合を再生してみる

学習に使っていない実在の試合を30秒ずつ進めます。得点を隠したまま、モデルの判定値がどこで動くか確かめてください。

この試合は学習から除外
--:--得点を非表示
速さ
--%
選択したチーム

直前の実プレー3分が「学習した失点直後のプレー」に近いとする判定値

この時点の判定に強く効いた項目

再生すると、試合時刻と判定値が動きます。

多数の失点を重ねると、再開直後に山ができる

1試合だけでは上下が激しいため、同じ条件を作れる428失点を平均しました。線が平均、帯が95%信頼区間です。

失点前後の判定値の推移

失点前の実プレー3分と、再開後に1分ずつずらした実プレー3分

実際の失点失点のない時刻

比較を厳しくした確認

黒い縦線は95%信頼区間。0.5は見分けられない状態。

読み方:最初の山には、失点後のキックオフやチーム・試合状況の違いも含まれます。似たシュートや同じチームまで揃えると判別できないため、「山がある=失点が原因」とは言えません。

この研究で使う言葉

試合の流れ
パス、ボールを持つ時間、プレー位置、守備、プレー量・速さで表したチームのプレーぶり。
実プレー3分
イベントとその継続時間をつなぎ、10秒を超える空白を停止として除いた180秒。公式計測ではなくイベント列からの近似。
xG(得点期待値)
位置・角度・体の部位などから計算した、そのシュートが得点になる確率。

分析方法

データ
StatsBomb公開イベントデータ
スペイン1部2015-16、全380試合
入力
パス、保持、位置、守備、プレー量・速さの31項目
機械学習
ロジスティック回帰。欠けた値の補完と尺度調整を含む
評価
同じ試合を学習と評価に混ぜない5分割。AUCと95%信頼区間
結論:広い比較では失点後のプレーに弱い違いが見えました。しかし比較を厳しくすると再現しないため、現在のデータだけで失点が原因とは判断できません。今回の中心は、1指標を選ばず「流れ」を判別問題にし、1試合・多数試合・比較条件の三段階で結果を検証したことです。