VQ 제품 책임자 브라이언 셤웨이(BFS)가 슈퍼볼 라이브에 대한 Stats PerformVQ 예측 및 확률 샘플을 설명하고, 데이터 과학 팀의 카일 커닝햄-로드(KCR)가 컨센서스 시장 라인과 일치하거나 다른 이유를 설명합니다.
BFS: VQ는 가장 심층적인 독점 데이터 피드(NFL X-Info*)와 숙련된 연구팀을 사용하여 AI 머신러닝 모델을 훈련합니다. VQ는 특정 선수가 특정 상황에서 특정 팀을 상대로 어떤 활약을 펼칠 것으로 예상되는지에 대한 예측을 생성하며, 과거 성적 또는 유사한 상대 선수 및 스타일에 대한 유사한 선수의 성적을 기반으로 합니다.
캔자스시티 치프스의 패트릭 마홈스가 NFL AFC 챔피언십 풋볼 경기 전반전에 출격하고 있습니다.
패트릭 마홈스의 러싱 야드
컨센서스 시장 라인: 30.5
VQ AI 예측: 20.5
KCR: 마홈스 은 캔자스시티 치프스에서 정규 시즌 동안 평균 3번의 러싱으로 15.5야드를 기록했지만, 포스트시즌에서는 7.5번의 캐리로 평균 53야드를 기록했습니다.
디비전 라운드에서는 휴스턴 텍사스는 거의 모든 경기를 맨투맨으로 치렀습니다.그리고 컨퍼런스 챔피언 결정전에서는 테네시 타이탄스 은 맨투맨과 존 커버리지로 나뉘었습니다.
수비수들이 보통 등을 돌리고 리시버를 뒤따라 내려오기 때문에 QB가 맨 커버를 상대로 달리기가 더 쉽습니다.
하지만 49ers는 가장 높은 수준의 최고 수준의 지역 커버리지가 리그에서 가장 높기 때문에 거의 모든 플레이에서 스크림 라인에서 10야드 떨어진 곳에 수비수 4~5명이 배치됩니다. 이는쿼터백이 활용할 수 있는 빈 공간이 많지 않습니다.
BFS: VQ API는 다른 라인의 확률을 도출하는 데에도 사용할 수 있습니다. 컨센서스를 입력하면 30.5의 언더 확률은 69.65%입니다.
패트릭 마홈스의 패스 시도
컨센서스 시장 라인: 35.5
VQ AI 예측: 36.5
KCR: 치프들은 게임 대본에 놀라울 정도로 일관성이 있습니다. 비록 a 패스 우선 팀이지만패스 우선 팀이지만 공을 수비를 정직하게 유지합니다.
마홈스는 이번 시즌 플레이 오프를 포함하여 평균 36.2 번의 시도를했지만 10 월 덴버 브롱코 스와의 경기를 제외하면 부상으로 인해 일찍 떠난. 마홈스는 또한 와의 두 번의 매치업 Los Angeles Chargers와 두 번의 경기를 치렀는데, 리그에서 가장 느린 페이스로 경기를 치렀습니다.
치프에게 표준 게임 스크립트가 예상되며 VQ와 시장 모두 다음과 같이 말합니다. Mahomes 이 35 에서 37번의 패스 시도를 할 것으로 예상합니다.
캔자스시티 치프스의 타이릭 힐이 NFL AFC 챔피언십 풋볼 경기 전반전에서 터치다운 패스를 받고 있습니다.
타이릭 힐의 리시브 야드
컨센서스 시장 라인: 77.5
VQ AI 예측: 74.5
KCR: 힐이 마지막으로 72야드 이상을 기록한 것은 10주차였기 때문에 인색한 수비를 상대하는 경기에서 그렇게 높은 수치를 기록하는 것은 의문입니다. 하지만 분명한 것은 힐은 매우 좋은 선수라는 점입니다. Stats Perform 리시버/수비수 매치업을 추적한 결과, 힐은 50% 이상의 시간 동안 50% 이상 오픈됩니다. 그렇다면 왜 더 많이 생산하지 못할까요? 평균적으로 리시버는 두 배의 커버 에 직면하는 비율은 약 4%이지만 Hill 은 이중 커버리지 19% 이상입니다.
이것이 왜 관련이 있을까요? 49ers는 거의 더블 커버를 사용하지 않습니다. 그들의 커버 3 수비는 스피드를 사용하여 상대의 패스 패스를 차단하는 데 더 많이 의존합니다. 개별 리시버를 차단합니다. 맞습니다, 힐은 에 노출될 것입니다. 셧다운 코너 리차드 셔먼에 노출될 수 있지만, 니켈백 K'Waun 윌리엄스와 오른쪽 코너백 엠마누엘 모슬리도 출전합니다. 윌리엄스는 좋은 슬롯 코너입니다, 하지만 모슬리는 평균 이하의 아웃사이드 코너입니다. 예측과 시장은 예측과 시장에서는 힐이 다음을 수행할 수 있다고 말합니다. 아웃워크 두 선수를 제치고 큰 리셉션을 받을 수 있을 것으로 예상됩니다.
BFS: *NFL X-info 피드는 전문 분석가들이 공을 소유하고 있는지, 플레이에 관여하고 있는지에 관계없이 모든 경기의 모든 선수 위치와 역할을 연구한 결과물입니다. 데이터 소스가 더 신뢰할 수 있고 심층적일수록 머신러닝 모델을 더 잘 훈련할 수 있습니다. 간단히 말해, AI 모델은 분석해야 할 데이터가 많을수록 더 잘 작동합니다. 일반화하지 않고 특정 선수와 상황에 맞는 맞춤형 확률을 생성할 수 있습니다.
Stats Perform VQ에 대한 자세한 내용은 여기를 참조하세요.
