コンペの概要
- 2019年10月10日〜2019年11月27日に渡って開催(https://www.kaggle.com/c/nfl-big-data-bowl-2020/ )
- アメリカンフットボールのランプレイにおいて、攻撃側が進むヤード数を予測する
利用できるデータ
- 1回のランプレイごとに、全体情報とプレイヤー別情報が与えられる
- 全体情報:
- 天候、気温、風速、風向き
- スタジアム、場所、芝の状態
- 開始時刻
- ホーム/アウェイのスコア
- ダウン数(4回で攻撃終了 ※1)
- 攻撃継続に必要なヤード数
- 進んだヤード数 ← これを予測
- etc...
- プレイヤー別情報 ※2
- NFL ID
- 位置情報(X, Y)
- 移動情報(S: 速度、A: 加速度)
- 向き(Dir:体の向き、Orientation:顔の 向き)
- 生年月日
- 身長、体重
- ホーム/アウェイ
- ジャージ番号
- ポジション
- etc...
- 全体情報:
※1:4ダウン以内に10ヤード以上前進すれば、攻撃を継続。できなければ攻守が入れ替わる。
※2:1プレイにつき、攻撃/守備それぞれ11人、合計22行のデータが存在する。
チームについて
- チーム名「Griffin Series」はAI RUSHのものを引き継ぎ
- 今回のチームメンバは,光野(tenyaf
)と佐藤(foo_foo
)
- やり取りとタスク管理はSlackを利用(タスク管理にTrelloなどを使えばよかったと反省)
- コード管理はKaggle notebookを互いにForkし合う
- 2人ともアメフトの事前知識は皆無
結果
チーム解法の紹介
解法の概要
- プレイヤーの位置や速度等を中心に特徴量エンジニアリング
- 0.5、1.0秒後の状態を推定(速度・加速度から算出)し、 特徴量を倍増させた
- モデルは単純なMLP
- 取り得ないヤード数を取り除く後処理の追加
前処理
- 攻撃する方向が「左に攻撃」と「右に攻撃」の2種類あるため、方向を統一
- チーム名の名寄せ
- 天候/風速/身長の加工
- 天候:あるキーワード(sunny)を含むかでカテゴライズ
- 風速:”mph”などの単位を除いて値を抽出
- 身長:フィート・インチ表記に統一
特徴量エンジニアリング
-
各プレイにおける統計量
-
ラッシャー(※1)の情報
- X, Y, S, Aのmin, max, ave, std, var
- X方向のSの大きさ, Y方向のSの大きさ
- 攻撃/守備チームメンバーとの距離(min, max, ave, sum, var)
- 守備チームfメンバーと最短で衝突する時 間(min, max, ave, std)
- 最も距離的に近い守備メンバーとの速度比
- 攻撃/守備チームメンバーの重心との距離
- スクリメージラインからの距離
- その他プレイヤーの情報
- ワイドレシーバー(※2)の情報
- スクラメージラインからのワイドレシーバーの距離(min, max, ave)
- ワイドレシーバーの周辺5ヤード以内にいる敵/味方のX, Y, S, A(min, max, ave, std, var)
※1:ボール保持者。基本的にはランニングバック(RB) 。
※2:ワイドレシーバーは複数人いる(1〜3人程度)
0.5秒後、1.0秒後のデータを用いた補強
- 「速度」「加速度」「体の向き」に基づいて、〇秒後 のX,Y,Sをそれぞれ推定・算出 ※1
- 0.5秒後、1.0秒後のX,Y,Sに置き換えた上で、各種特徴を抽出して結合 (特徴の数:146→379 ※2)
※1:等加速度運動と仮定して計算
※2:重複する特徴は除外してカウント
Neural Networkのアーキテクチャ
- 公開kernelのモデルをForkして使用
- Optimizer = Adam
- Loss = categorical cross entropy
- ヤード数は取りうる値が離散的であるため,[-99, 99]の199クラス分類としてモデルを学習
後処理
- スクラメージラインに基づいて、取り得る値以外の尤度を0とする
- 提出ルールに従って、-99~99ヤードの累積分布の形にする
実現しきれなかったアイデア
- プレイヤーの位置情報などをグラフに見立てて、Graph Convolution
- 22人のプレイヤーをある順にソートして、そのままX,Y,S,Aを列に追加
- その他重要なポジションのX,Y,S,Aの情報
- Neural Networkのチューニング
感想
- tenyaf
- 初めてKaggleコンペに参加しましたが、題材がとても面白く楽しめた
- 処理時間との闘いとなり、速いコードの書き方の必要性を実感した
- アイデアは浮かぶものの実装まで至らないものが多かったため 実装力を高めていきたいと思った
- foo_foo
- 特徴量エンジニアリングは比較的よくできた
- テーブルコンペでのNN技術は要習得
- タスク管理は何かツール使えば良かった
- goldとれるように頑張ります