在一场 NFL 比赛中，四分卫所做的远不止几次传球，他们需要在瞬间做出数百次决策。当四分卫接近开球线时，他们会评估防守球员的阵型、比赛剩余时间以及首攻所需码数等因素。一旦比赛开始，四分卫必须对传球目标做出瞬时判断，此时比赛结果的变数会显著增加复杂性。此外，接球手可能对传过头的球做出精彩处理，或防守球员可能将完美的传球拍向空中从而引发抄截，这些变数进一步加剧了局势的不确定性。在过去，无论比赛结果如何，统计上的功劳或责任都归咎于四分卫。
如今，NFL 球迷拥有了“传球评分”。NGS 花费近一年时间解决了一系列复杂的技术难题，以打造该工具。虽然 NGS 没有现成的经验可循，但他们深知 AWS 在体育领域的现有数据驱动解决方案及其与 NFL 的深度技术合作伙伴关系，能够独特地助力应对这些挑战。
凭借多年来创建和部署由 AWS 支持的机器学习（ML）模型的经验，NGS 的工程与分析团队与 AWS Professional Services 的数据科学小组合作，优化并整合了七个 ML 模型，其中包括一个在球传出前预测传球价值的新模型。这些整合后的 ML 模型构成了新的 NGS “传球评分”的核心动力。每个独立模型都能提供关于场上情况的深刻见解，例如预测码数和完成概率。通过将这些模型结合，得出的分数（介于 50–99 之间的数值）更好地反映了球迷、教练和球员在评估四分卫传球表现时所依赖的直觉。
2021 年四分卫表现排名
2021 年 NFL 常规赛呈现了一些令人难忘的四分卫表现。我们评估了常规赛的赛场情况，并结合过去三个赛季中超过 1600 万帧的球员视频画面数据，来回答一个问题：“谁是 2021 年常规赛最佳四分卫？”
构建制胜组合
NGS 传球评分是对一个复杂公式的简化呈现。按设计，它并非简单地将所有传球码数、达阵和拦截都归因于四分卫。相反，它隔离了传球手在每次传球结果中的贡献，而不考虑接球手的因素。它还控制了每次传球的难度水平，以最好地涵盖最能预测未来表现的传球手特质。最后，它将所有这些整合为一个单一指标。
传球评分通过分析追踪数据来预测如果目标指向某位接球手，他将获得多少码数，并结合对完成概率模型的增强，该模型现在还可以估算拦截的概率。与 AWS 团队合作创建的新系统为评分主要组件中使用的“预期”指标提供了动力。
随着这种由 AWS 驱动的创新方法现已到位，NGS 传球评分可以扩展并纳入其他维度，如冲球、被擒杀和施压。要了解有关新指标的更多信息，请查看 NFL 创建的这篇博客，了解这一切如何在球场上展开。