Open nepito opened 3 days ago
ppda
: Refleja cuántos pases en la zona defensiva del oponente puede realizar el rival por cada desafío. Cuanto más bajo sea este número, mejor está haciendo el equipo la presión alta.tempo
: Cantidad de pases del equipo por minuto de pura posesión del balón.high_pression
: Es proporcional al BDP
e inversamente proporcional ppda
ggpi
: Índice de Gegenpressingiqr
: el rango intercuartilquality
: El cuantil del 5% de la distribución para el promedio de la inclinación del momento.
build_up_disruption
: La interrupción de la construcción. Es una métrica que utilizamos para medir la capacidad que tiene un equipo para interrumpir el juego de construcción del equipo contrario. tilt
: El porcentaje de pases totales en el último tercio que hizo cada equipo nos define la inclinación del partido.delta
: La diferencia entre la inclinación y la poseción. Este número nos ayuda a interpretar calidad de la posición de balón de un equipo.offe_tran
: Transición ofensiva. Es una índice que relaciona proporcional al tempo
y el xG
generado y inverso a delta
. delta
y offe_tran
Ya que la transición ofensiva la definimos como inversamente proporcional a la delta
la delta no debería de ser interpretada como una calidad de la poseción. Una calidad está relacionada al percentil del 5 %.
Lo que queremos resaltar es una rápida transición ofensiva. Que una vez que robamos el balón rápidamente nos pasamos al ataque. Por eso definímos offe_tran
como el xG generado por el tempo
entre la delta
.
¿Tal vez la inclinación del momento nos hable mejor de las transiciones rápidas?
¿Qué información obtenemos de los PCA?
¿Sería un estilo de juego, una filosofía o solo una curiosidad?
pressure_index_bokeh/src/render_quality.py
/workdir/results/summary_tilt_bdp_ppda_{league}.json
este archivo lo genera pressure_index_bokeh/src/write_max_min_tilt_bdp_and_ppda.R
pressure_index_bokeh/src/write_max_min_tilt_bdp_and_ppda.R
come quality_and_pression_index.csv
Nos gustaría tener una gráfica de dispersión que podamos decidir cuál será su ejes. Tal vez este repo de GitHub son sirva.
Hicimos una regresión stepwise para determinar cuáles eran las variables más relevantes que describen la presión:
References
pressure_index
sofa_score_data