미식축구 방어 스킴 예측을 위한 비지도·지도 학습 통합

초록

본 논문은 NFL 트래킹 데이터를 활용해 전-스냅 모션 정보를 포함한 특징들을 단계별로 구축하고, 이를 기반으로 Elastic Net 로지스틱 회귀와 XGBoost 모델을 학습한다. 특히 비지도 학습으로 설계한 비동질 히든 마코프 모델(HMM)에서 추정된 방어 할당 상태를 특징으로 추가함으로써, 기존의 전·후 모션 특징만을 사용한 모델보다 예측 정확도가 크게 향상됨을 보인다. 또한 랜덤 효과를 통해 팀·포지션별 방어 전략 차이를 해석한다.

상세 분석

이 연구는 미식축구에서 가장 전략적으로 중요한 방어 커버리지(맨 대 존)를 사전 스냅 단계에서 예측하고자 하는 문제에 접근한다. 데이터는 NFL Big Data Bowl 2025에서 제공된 10 Hz 트래킹 데이터와 플레이‑바이‑플레이 메타데이터를 사용했으며, 2023 시즌 초 9주 동안 3 963개의 공격 플레이를 분석 대상으로 삼았다.

먼저 저자들은 특징 설계 과정을 세 단계로 나눈다. (1) Pre‑motion 단계에서는 경기 상황 변수(쿼터, 다운, 야드 투 고 등)와 트래킹 기반 공간 변수(공격·수비 팀의 convex hull 면적, 폭·길이) 등을 추출한다. 여기서 공격 측 움직일 수 있는 5명의 스킬 포지션(WR, TE, RB 등)만을 남기고, 수비 라인맨과 패스 러셔를 제외한 뒤, 가장 가까운 5명의 수비자를 선택해 총 19 815개의 시간 시계열을 만든다. (2) Naive post‑motion 단계에서는 모션 시작부터 스냅까지 각 팀의 x·y 축 최대 이동 거리와 전체 이동 거리 6개 변수를 추가한다. (3) HMM 기반 단계에서는 앞서 선택한 5명의 수비자와 5명의 공격자를 매칭시켜, 각 수비자의 y‑좌표를 공격자 y‑좌표와 연결하는 비동질 히든 마코프 모델을 구축한다. 상태는 “수비자가 어느 공격자를 마크하고 있는가”를 의미하며, 상태 전이 확률은 공격자 간 y‑거리와 포지션·팀·플레이 수준의 랜덤 효과를 포함한 혼합 효과 로짓 모델로 파라미터화한다.

HMM은 두 가지 중요한 확장을 포함한다. 첫째, 평균값에 시간 지연(l)을 두어 방어자의 반응 시간(예: l = 5이면 0.5 초) 을 모델링한다. 둘째, 전이 확률을 공통 거리 외에도 포지션별(random intercept), 팀별(random intercept), 플레이별(random intercept) 변동성을 허용함으로써, 실제 경기에서 관찰되는 방어 전술의 이질성을 포착한다. 추정은 EM 알고리즘과 베이지안 사전(정규분포)으로 수행했으며, 각 플레이마다 디코딩된 상태 시퀀스(예: Viterbi 경로)의 요약 통계(예: 특정 공격자를 마크한 시간 비율, 전이 빈도 등)를 특징으로 추출한다.

이후 두 종류의 지도 학습 모델에 적용한다. Elastic Net 로지스틱 회귀는 L1·L2 정규화를 동시에 적용해 변수 선택과 과적합 방지를 동시에 달성했으며, XGBoost는 트리 기반 부스팅으로 비선형 상호작용을 포착한다. 모델 성능 평가는 정확도, AUC, 로그 손실 등 여러 지표를 사용했으며, HMM 특징을 포함했을 때 전·후 모션만을 사용한 베이스라인 대비 AUC가 약 0.04~0.07 상승하고, 로그 손실이 10% 이상 감소하는 등 유의미한 개선을 보였다.

통계적 유의성 검증으로는 비모수적 조건부 독립성 검정인 Generalized Covariance Measure(GCM)를 적용했다. GCM 결과는 HMM 파생 특징이 커버리지 라벨과 강한 조건부 의존성을 갖는다는 것을 확인했으며, 이는 단순히 상관관계가 아니라 실제 인과적 설명력을 제공한다는 점을 시사한다.

마지막으로, 최적 모델을 이용해 팀·포지션별 랜덤 효과를 해석하였다. 예를 들어, 코너백 역할의 랜덤 효과가 양수인 팀은 일반적으로 맨 커버리지를 유지하는 경향이 강했고, 세이프티 역할의 랜덤 효과가 음수인 팀은 존 커버리지를 선호한다는 패턴이 드러났다. 또한, 특정 팀(예: 캔자스 시티)는 모션을 활용해 상대 방어의 반응을 유도하고, 이를 통해 커버리지 판별 정확도를 높이는 전략을 구사한다는 정성적 인사이트도 얻었다.

전반적으로 이 논문은 비지도 학습(HMM)과 지도 학습(Elastic Net, XGBoost)을 효과적으로 결합함으로써, 기존에 주관적이던 방어 스킴 판별을 데이터 기반으로 정량화하고, 실제 코칭·전략 수립에 활용 가능한 해석 가능한 모델을 제시한다는 점에서 학술적·실무적 의의가 크다.