[PYTHON] Ich habe an Kaggles NFL-Wettbewerb teilgenommen

Überblick über den Wettbewerb

• Vom 10. Oktober 2019 bis 27. November 2019 (https://www.kaggle.com/c/nfl-big-data-bowl-2020/) ）
• Geben Sie die Anzahl der Meter an, die der Angreifer im American-Football-Laufspiel vorrücken wird

Verfügbare Daten

• Für jedes Laufspiel werden allgemeine Informationen und spielerspezifische Informationen angegeben

• Gesamtinformationen:

• Wetter, Temperatur, Windgeschwindigkeit, Windrichtung

• Stadion, Lage, Rasenzustand

• Startzeit --Home / Away Score

  -  etc...
  
  -  NFL ID 
  

• Anzahl der Yards, die erforderlich sind, um den Angriff fortzusetzen - Anzahl der fortgeschrittenen Yards ← Vorhersage dieser - Spielerspezifische Informationen * 2 - Positionsinformationen (X, Y) - Bewegungsinformationen (S: Geschwindigkeit, A: Beschleunigung) - Richtung (Richtung: Körper) Orientierung: Orientierung)

• Geburtstag

• Größe, Gewicht

• Zuhause / weg --Trikot-Nummer --Position - etc...

• 1: Wenn Sie sich innerhalb von 4 Tiefen 10 Meter oder mehr vorwärts bewegen, wird der Angriff fortgesetzt. Wenn dies nicht möglich ist, werden Angriff und Verteidigung gewechselt.
• 2: Es gibt insgesamt 22 Datenzeilen, 11 offensive und 11 defensive Spieler pro Spiel.

Über das Team

• Der Teamname "Griffin Series" wurde von AI RUSH geerbt.
• Die Teammitglieder sind diesmal Mitsuno (tenyaf ) und Sato (foo_foo )
• Verwenden Sie Slack für die Kommunikation und das Aufgabenmanagement (ich bedauere, dass ich Trello usw. für das Aufgabenmanagement hätte verwenden sollen)
• Die Codeverwaltung teilt Kaggle-Notizbücher miteinander ――Beide von ihnen haben keine Vorkenntnisse von Ameft

Ergebnis

• Öffentlicher 47. Platz (von 2.038 Teams) * Am Ende der 1. Etappe (28.11.) ――Ich konnte die silberne Kugel betreten!

Einführung der Teamlösung

Überblick über die Lösung

• Feature Quantity Engineering konzentriert sich auf die Position und Geschwindigkeit des Spielers
• Schätzte den Zustand nach 0,5 und 1,0 Sekunden (berechnet aus Geschwindigkeit / Beschleunigung) und verdoppelte den Funktionsumfang
• Das Modell ist ein einfaches MLP
• Hinzufügung der Nachbearbeitung, um die unmögliche Anzahl von Yards zu entfernen

Vorverarbeitung

• Da es zwei Arten von Angriffsrichtungen gibt, "Angriff nach links" und "Angriff nach rechts", sind die Richtungen einheitlich.
• Identifizierung des Teamnamens
• Verarbeitung von Wetter / Windgeschwindigkeit / Höhe --Wetter: Kategorisieren Sie mit einem bestimmten Schlüsselwort (sonnig).
• Windgeschwindigkeit: Extrahieren Sie Werte ohne Einheiten wie "mph".
• Höhe: Einheitlich zu Fuß und Zoll

Feature Quantity Engineering

• Statistik in jedem Spiel

• X, Y, S, A min, max, ave, std, var --Min, max, ave, std, var in jeder der X- und Y-Richtungen von S.

• Informationen zum Rusher (* 1)

• X, Y, S, A min, max, ave, std, var

• S-Größe in X-Richtung, S-Größe in Y-Richtung

• Entfernung zu offensiven / defensiven Teammitgliedern (min, max, ave, sum, var)

• Die kürzeste Zeit, um mit einem Mitglied des Defensivteams zusammenzustoßen (min, max, ave, std)

• Geschwindigkeitsverhältnis mit dem nächsten Verteidigungsmitglied

• Entfernung vom Schwerpunkt der offensiven / defensiven Teammitglieder

• Abstand von der Scrimmage-Linie

• Andere Spielerinformationen

• Breite Empfängerinformationen (* 2)
• Breiter Empfängerabstand von der Scramage-Leitung (min, max, ave)
• X, Y, S, A (min, max, ave, std, var) von Feinden / Verbündeten innerhalb von 5 Metern um den breiten Empfänger

• 1: Kugelhalter. Grundsätzlich läuft zurück (RB).
• 2: Es gibt mehrere breite Empfänger (ca. 1 bis 3)

Verstärkung mit Daten nach 0,5 Sekunden und 1,0 Sekunden

• Schätzen und berechnen Sie X, Y und S nach 0 Sekunden basierend auf "Geschwindigkeit", "Beschleunigung" und "Körperorientierung" * 1
• Nach dem Ersetzen durch X, Y, S nach 0,5 Sekunden und 1,0 Sekunden werden verschiedene Merkmale extrahiert und kombiniert (Anzahl der Merkmale: 146 → 379 * 2).

Position am Start und 1,0 Sekunden später

• 1: Berechnet unter der Annahme einer konstanten Beschleunigungsbewegung
• 2: Anzahl ohne doppelte Features

Neuronale Netzwerkarchitektur

--Fork und benutze das Modell des öffentlichen Kernels - Optimizer = Adam - Loss = categorical cross entropy

• Da die möglichen Werte für die Anzahl der Yards diskret sind, wird das Modell als 199-Klassen-Klassifikation von [-99, 99] trainiert.

Nachbearbeitung

• Setzen Sie basierend auf der Scramage-Zeile eine andere Wahrscheinlichkeit als die möglichen Werte auf 0
• Bilden Sie gemäß den Einreichungsregeln eine kumulative Verteilung von -99-99 Yards

Ideen, die nicht realisiert werden konnten

――Graph Convolution unter Verwendung der Positionsinformationen des Spielers als Grafik

• Sortieren Sie 22 Spieler in einer bestimmten Reihenfolge und fügen Sie der Spalte so wie sie ist X, Y, S, A hinzu
• Informationen zu X, Y, S, A anderer wichtiger Positionen --Neural Network Tuning

Impressionen

• tenyaf ――Ich habe zum ersten Mal am Kaggle-Wettbewerb teilgenommen und das Thema sehr genossen. ――Es war ein Kampf gegen die Verarbeitungszeit, und ich erkannte die Notwendigkeit eines schnellen Code-Schreibens. ―― Da viele Ideen in den Sinn kamen, aber nicht umgesetzt wurden, wollte ich die Implementierungsleistung verbessern.
• foo_foo --Feature Quantity Engineering war relativ gut gemacht --Lerne NN-Technologie in Tischwettbewerben
• Ich hätte ein Tool für die Aufgabenverwaltung verwenden sollen ――Ich werde mein Bestes geben, um Gold zu bekommen