Αυτή η εργασία επεξεργάζεται δεδομένα που προέρχονται από το πρωτάθλημα NFL των Η.Π.Α., του Αμερικάνικου Ποδοσφαίρου κατά την αγωνιστική σεζόν 2021-22, και εξορύσσει από αυτά εφαρμόσιμες και καινοτόμες πληροφορίες.

Πηγή των δεδομένων αποτέλεσε ο ιστότοπος Kaggle, με το μεγαλύτερο αρχείο δεδομένων, το ενοποιημένο weeks.csv να περιέχει πάνω από 8 εκατομμύρια εγγραφές. Ανάμεσα στα πρώτα βήματα υλοποίησης αυτής της εργασίας ήταν η συμμετοχή στο διεθνή ανοικτό διαγωνισμό που ήταν αναρτημένος στον ιστότοπο Kaggle, με θέμα «NFL Big Data Bowl 2023».

Υπήρξαν αρκετές ιδέες - εξάλλου τα εργαλεία της Μηχανικής Μάθησης θα μπορούσαν να υποστηρίξουν την έκδοση αποτελεσμάτων σε πολλές από αυτές. Τελικά, με τη χρήση αυτών των εργαλείων, επεξεργάστηκε η ιδέα να προβλεφθεί η αποτελεσματικότητα μιας πάσας από τον quarterback (στρατηγό) από: α) το χρόνο αποδέσμευσης της μπάλας από το «στρατηγό» των επιτιθέμενων, β) τις αποστάσεις των παικτών από το στρατηγό, αλλά και γ) τις σχετικές γωνίες τους ως προς τη γωνία κίνησης του στρατηγού. Έτσι απομονώθηκαν μόνο αυτές οι πληροφορίες ως τελικά δεδομένα εισόδου, καθώς και το αποτέλεσμα της κάθε επιθετικής προσπάθειας (φάσης).

Διερευνήθηκε αυτή η συσχέτιση, με χρήση της λογιστικής παλινδρόμησης προκειμένου να εκτιμηθεί κατά πόσον μπορεί να προβλεφθεί το αποτέλεσμα μιας φάσης από τα παραπάνω δεδομένα. Τα αποτελέσματα έδειξαν ότι: α) από τα παραπάνω δεδομένα μπορεί να προβλεφθεί η επιτυχία της πάσας-φάσης σε ένα ποσοστό 62%, β) χωρίς το χρόνο απόκρισης του στρατηγού, τα αποτελέσματα έχουν μικρότερη πιθανότητα επιτυχίας, ενώ γ) όταν ο χρόνος αποδέσμευσης της μπάλας από το στρατηγό βρίσκεται στην περιοχή [1.7 , 3.6) δευτερολέπτων, -δηλ. ούτε πολύ νωρίς, αλλά ούτε πριν “μαντευτεί-διαρρεύσει” το σχέδιο του στρατηγού-, η επιτυχία της πρόβλεψης ξεπερνά το 64% ! Η πρόβλεψη μιας επιτυχημένης πάσας, φθάνει στο 83% (ανάκληση recall).

This paper processes data derived from the US NFL, American Football League during the 2021-22 game season, and extracts actionable and innovative insights from it.

The data source was the Kaggle website, with the largest data file, the consolidated weeks.csv containing over 8 million records. Among the first steps in the implementation of this work was the participation in the international open competition posted on the Kaggle website, on the topic "NFL Big Data Bowl 2023".

There were quite a few ideas - after all, Machine Learning tools could support publishing results on many of them. Finally, here he elaborated the idea of predicting the effectiveness of a pass from the quarterback (general) from: a) the time of release of the ball from the "general" of the attackers, b) the distances of the players from the quarterback, but also c ) their relative angles with respect to the angle of movement of the quarterback. Thus only this information (final input data) as well as the result of each attack attempt (phase) was isolated.

This correlation was investigated, using logistic regression in order to assess whether the outcome of a phase can be predicted from the above data. The results showed that: a) from the above data, the success of the pass-phase can be predicted at a rate of 62%, b) without the quarterback's response time, the results have a lower probability of success, while c) when the time of release of the ball from the quarterback is in the range of [1.7 , 3.6) seconds, -ie. not too early, but not before the general's plan was "guessed" - the prediction exceeds 64%.  The prediction (recall) of a successful pass reaches 83%!.