本文转译自NBA全球官方网站
“预期投篮命中率”模型会权衡多种因素，通过分析投篮时的具体场景来预测这一球投篮球命中的概率。
克莱·汤普森（Klay Thompson）的这次投篮难度如何？通过这项由亚马逊云科技支持的NBA全新数据统计来了解更多。（图片源自NBA全球官方网站）
有的球员善于制造出手机会，有的球员则擅长投进难度球。转身后仰跳投和被防守人干扰的扣篮，哪个更容易进？对普通NBA球员来说，是空位三分更容易命中，还是有人防守的抛投更有把握？通过结合自动追踪系统和机器学习的概率分类技术，我们开发出了一套全新的“预期投篮命中率”模型。这个模型最大的特点是，它完全基于投篮环境来评估，不受投篮球员个人能力的影响。
这套“预期投篮命中率”模型会分析几个关键因素：防守人的干扰姿势、投篮者的身体状态和平衡性、以及出手位置，从而预测在具体投篮环境下的命中可能性。该模型的核心在于排除球员个体因素，不考虑投篮者是谁，这样就能清楚地看出哪些球员的实际表现超出了预期水平，同时也能分析每次出手背后的决策特点。
要建立一个好的模型，首先需要优质的数据支持。这正是NBA光学球员追踪系统的用武之地。这套系统采用了先进的3D动作捕捉技术，能够同时追踪每位球员身上的29个关键点，实时记录他们的动作轨迹，并以每秒60次的频率进行捕捉。
“预期投篮命中率”模型会分析球员的动作数据，提取出与投篮相关的特征，来预测这球是否会进。具体来说，对于每一次投篮，系统会分析从出手前1秒（共60帧画面）到篮球离手之间的数据，并计算出多项特征值。需要注意的是，这个模型不会把进攻时间、球员是谁、比分差距这些因素纳入考虑。
机器学习模型通过大量真实比赛数据的训练，学习判断每次出手是否能进。系统分为两个独立的模型：一个专门分析跳投，另一个专门分析篮下终结。这两个模型都会通过分析历史数据中类似的出手情况，找出各种关键因素之间的联系，从而预测当前这球的命中率。
要深入理解这个指标，我们需要先了解它的核心构成要素。让我们来看看哪些因素会影响投篮命中的可能性。除非特别说明，以下所有因素都是在球员出手时刻进行测量的：
定义 - 投篮者特征
- 投篮距离：球员重心到篮筐的距离
- 身体倾斜度：投篮者相对于垂直轴的倾斜角度
- 头部角度：投篮者头部相对于篮筐的角度
- 视野保持率：在准备投篮过程中，投篮者能够看到篮筐的时间占比
- 移动速度：出手时刻的移动速度
- 靠篮速度：投篮者朝向篮筐的移动速度，通过投篮距离随时间的变化来测量
- 转体速度：投篮者臀部相对篮筐的旋转方向和速度
- 总旋转角度：投篮者在出手前后一秒内的总体旋转角度
- 腾空时间：从最后一次起跳到出手期间的空中停留时间
- 空中位移：从最后一次起跳到出手期间在平面上移动的距离
定义 - 防守者特征
- 最近防守距离：最近防守人的手到球的距离
- 干扰高度差：最近防守人的手部高度与球的高度之差
- 防守手部角度：最近防守人的手与投篮者可能的最高出手点之间的夹角
- 视线干扰度：防守人对投篮者篮筐视线的遮挡程度
- 投篮前肘部距离：出手前一秒内，最近防守人的手与投篮者肘部的最近距离
- 身体对抗距离：防守人与投篮者胯部之间的距离
- 防守夹角：防守人、投篮者和篮筐之间形成的角度
- 防守移动速度：防守人相对投篮者的移动方向和速度
- 直接防守压力：主防守人对投篮者施加的防守压力
- 整体防守压力：场上所有防守人对投篮者施加的平均防守压力
我们正处在Agentic AI爆发前夜。企业要从"成本优化"转向"创新驱动"，通过完善的数据战略和AI云服务，把握全球化机遇。亚马逊将投入1000亿美元在AI算力、云基础设施等领域，通过领先的技术实力和帮助“中国企业出海“和”服务中国客户创新“的丰富经验，助力企业在AI时代突破。
)
)
(人流后不去复查没事吧))
)
)
)
)
)
)
)
)
)