Modern basketball is all about creating efficient shots, that is, shots with high payoff. This is not necessarily equivalent to creating looks with the highest probability of success. In particular, the two most efficient shots in the NBA - which are shots from the paint, i.e., extremely close to the basket, and three-point shots from the corner, i.e., at least 22 feet apart - have completely different spatial profiles when it comes to their distance from the basket. The latter also means that they are pretty much at the opposing ends of the spectrum when it comes to their probability of being made. Due to their efficiency, these are the most sought after shots from the offense, while the defense is trying to contain them. However, in order to contain them one needs to first understand what makes them efficient in the first place and how they are generated. In this study we focus on the corner three point shots and using player tracking data we show that the main factor for their efficiency - contrary to the belief from the sports mass media - is not the shorter distance to the basket compared to three-point shots above the break, but rather the fact that they are assisted at a very high rate (more than 90\%). Furthermore, we analyze the movement of the shooter and his defender and find that more than half of these shots involve a shooter anchored at the corner waiting for the kick out pass. We finally define a simplified game between the offense and defense in these situation and we find that the Nash Equilibrium supports either committing to the corner shooter or to the drive to the basket, and not lingering between the two, which is what we observed from the defenses in our dataset.


翻译:现代篮球完全是为了创造高效的镜头, 也就是说, 高报酬的镜头。 这并不一定等于创造出最成功的可能性。 特别是NBA的两张最高效的镜头 — — 即来自油漆的镜头, 即非常接近篮子的镜头, 和来自角落的三点镜头,即至少22英尺的距离 — — 在距离篮子的距离上, 其空间分布完全不同。 后者还意味着它们几乎处于频谱的对面端。 由于它们的效率, 这些是犯罪后最容易拍摄的镜头, 而国防部正在试图控制它们。 但是,为了控制它们,首先需要首先了解什么能让它们的效率, 以及它们是如何产生的。 在这个研究中,我们把注意力放在角角的三点镜头上, 并使用玩家跟踪数据来显示, 它们效率的主要因素 — 与体育大众媒体的信念相反 — — 并不是在篮子的距离比断裂的距离更短, 而是在篮子的距离上找到什么, 但是, 因为它们是, 最需要的是, 在比赛后最短的镜头后面的镜头里, 是一个非常高的篮子,, 也就是, 我们的角的轨道, 和最后的角, 我们的角, 的角的脚, 我们的十字, 和十字, 最终的十字, 定义, 我们的十字, 和十字, 我们的十字, 我们的距离, 我们的轨道, 最终的距离, 我们的角, 最终的距离, 到了, 和十字, 我们的角, 我们的角, 到了。

0
下载
关闭预览

相关内容

专知会员服务
123+阅读 · 2020年9月8日
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
151+阅读 · 2019年10月12日
[综述]深度学习下的场景文本检测与识别
专知会员服务
77+阅读 · 2019年10月10日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
LibRec 精选:AutoML for Contextual Bandits
LibRec智能推荐
7+阅读 · 2019年9月19日
已删除
将门创投
5+阅读 · 2019年9月10日
LibRec 精选:位置感知的长序列会话推荐
LibRec智能推荐
3+阅读 · 2019年5月17日
【TED】生命中的每一年的智慧
英语演讲视频每日一推
9+阅读 · 2019年1月29日
人工智能 | SCI期刊专刊信息3条
Call4Papers
5+阅读 · 2019年1月10日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
人工智能 | 国际会议/SCI期刊约稿信息9条
Call4Papers
3+阅读 · 2018年1月12日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
How Likely Are Large Elections Tied?
Arxiv
0+阅读 · 2021年7月19日
Arxiv
5+阅读 · 2017年11月30日
VIP会员
相关资讯
LibRec 精选:AutoML for Contextual Bandits
LibRec智能推荐
7+阅读 · 2019年9月19日
已删除
将门创投
5+阅读 · 2019年9月10日
LibRec 精选:位置感知的长序列会话推荐
LibRec智能推荐
3+阅读 · 2019年5月17日
【TED】生命中的每一年的智慧
英语演讲视频每日一推
9+阅读 · 2019年1月29日
人工智能 | SCI期刊专刊信息3条
Call4Papers
5+阅读 · 2019年1月10日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
人工智能 | 国际会议/SCI期刊约稿信息9条
Call4Papers
3+阅读 · 2018年1月12日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Top
微信扫码咨询专知VIP会员