DE 
EnglishStandard
Українська
Polski⚽ Spielerleistungs-Analysator — Trajektorien-Clustering live
Clustern Sie simulierte Bewegungsbahnen von Spielern mit k-Means über räumliche Merkmale und beobachten Sie, wie taktische Rollen-Cluster live während eines Spiels entstehen.
Über diese Simulation
Dieser Analysator setzt eine Mannschaft synthetischer Spieler auf ein Spielfeld, lässt einfache Steuerungs- und Ballbesitzlogik ihre Bewegung für ein simuliertes Spiel antreiben und reduziert kontinuierlich die Bewegungshistorie jedes Spielers auf fünf taktische Merkmale: durchschnittliche Feldposition, Streifbereich, Sprinthäufigkeit und Passnetzwerk-Zentralität. Eine echte k-Means-Clustering-Schleife — k-Means++-Initialisierung, euklidische Zuordnung, Zentroid-Aktualisierung, wiederholt bis zur Konvergenz — gruppiert dann die Mannschaft in taktische Rollen, die sich live aktualisieren, während sich das Spiel entwickelt, statt einer vorgeschriebenen Formation zu folgen.
🔬 Was gezeigt wird
Ein 3D-Draufsichtfeld, in dem jeder Spieler eine echte Three.js-Kugel ist, gefärbt nach ihrem aktuellen Cluster, mit Sprintgeschwindigkeit hüpfend und einen Schatten auf den Rasen werfend. Daneben zeigt ein Merkmalsraum-Streudiagramm (gerendert über eine CanvasTexture-gestützte Ebene unter einer orthografischen Kamera) den standardisierten Merkmalsvektor jedes Spielers, mit weißen Fadenkreuzen, die den Zentroid jedes Clusters markieren — genau der Raum, in dem die k-Means-Schleife tatsächlich clustert.
🎮 Bedienung
Passen Sie Spielerzahl (15–22), Anzahl der taktischen Cluster k (2–6) und das Neu-Clustering-Intervall an. Schalten Sie das Merkmalsraum-Streudiagramm zwischen Sprint/Reichweite- und Position/Press-Zentralitäts-Achsen um, erzwingen Sie ein sofortiges Neu-Clustering, ändern Sie die Spielgeschwindigkeit, oder starten Sie ein neues Spiel mit neuen Spieler-Archetypen. Das Seitenpanel listet die aktuelle Größe und das automatisch generierte taktische Label jedes Clusters.
💡 Wussten Sie schon?
K-Means sieht nie den zugewiesenen Archetyp eines Spielers — Verteidiger, Flügelspieler, Stürmer — sondern nur die abgeleiteten Zahlen. Die Labels „Hohes Pressing“, „Tiefe Kette“ und „Breite Überlappung“ auf dem Bildschirm werden nach jedem Clustering-Durchlauf zurückentwickelt, indem die durchschnittliche Feldposition, Sprinthäufigkeit, Reichweite und Passzentralität jedes Clusters mit den Statistiken der gesamten Mannschaft verglichen werden — genau so, wie echte Sportanalyse-Teams Rohdaten aus dem Tracking in lesbare taktische Erkenntnisse verwandeln.
Häufig gestellte Fragen
Was ist k-Means-Clustering?
K-Means ist ein unüberwachter Lernalgorithmus, der Datenpunkte in k Gruppen aufteilt, sodass jeder Punkt zu dem Cluster gehört, dessen Zentroid (Mittelwert) ihm am nächsten liegt, gemessen an der euklidischen Distanz. Er wechselt zwischen einem Zuordnungsschritt, bei dem jeder Punkt seinem nächsten Zentroid beitritt, und einem Aktualisierungsschritt, bei dem sich jeder Zentroid zum Mittelwert der ihm zugeordneten Punkte bewegt, wiederholt, bis sich die Zuordnungen nicht mehr ändern oder die Zentroide sich kaum noch bewegen.
Warum taktische Merkmale statt roher Spielerpositionen clustern?
Rohe x,y-Koordinaten beschreiben nur, wo ein Spieler sich in einem Moment befindet, was von der gerade laufenden Spielphase dominiert wird. Merkmale aus der Bewegungshistorie abzuleiten — durchschnittliche Feldposition, Streifbereich, Sprinthäufigkeit und Passnetzwerk-Zentralität — erfasst, wie sich ein Spieler über die Zeit verhält, was tatsächlich taktische Rollen unterscheidet, etwa einen hoch pressenden Stürmer von einem tief stehenden Verteidiger, selbst wenn sich ihre momentanen Positionen kurz überschneiden.
Was macht die k-Means++-Initialisierung, und warum ist das wichtig?
Einfaches k-Means wählt Startzentroide gleichverteilt zufällig, was schlechte Cluster oder langsame Konvergenz erzeugen kann, wenn zwei anfängliche Zentroide nahe beieinander landen. K-Means++ wählt stattdessen den ersten Zentroid zufällig und dann jeden weiteren mit einer Wahrscheinlichkeit proportional zu seiner quadrierten Distanz zum nächstgelegenen bereits gewählten Zentroid, wodurch sich die anfänglichen Startpunkte über die Daten verteilen. Das führt fast immer zu schnellerer Konvergenz und geringerer endgültiger Trägheit als naive Zufallsinitialisierung.
Was ist Trägheit (WCSS), und warum ist sie hier wichtig?
Trägheit, oder Summe der quadrierten Abweichungen innerhalb der Cluster, ist die gesamte quadrierte euklidische Distanz zwischen jedem Punkt und seinem zugeordneten Cluster-Zentroid, berechnet im standardisierten Merkmalsraum. Geringere Trägheit bedeutet engere, intern konsistentere Cluster. Zu beobachten, wie die Trägheit über die Zuordnungs-/Aktualisierungsiterationen bei jedem Neu-Clustering des Spiels sinkt, zeigt, dass der Algorithmus tatsächlich konvergiert, statt Punkte nur zufällig neu einzufärben.
Wie werden die taktischen Rollennamen wie „Hohes Pressing“ oder „Tiefe Kette“ gewählt?
K-Means selbst gibt nur nummerierte Cluster aus — es weiß nicht, was eine „tiefe Kette“ ist. Nach jedem Clustering-Durchlauf betrachtet die Simulation die durchschnittlichen Rohmerkmalswerte jedes Clusters relativ zu den Statistiken der gesamten Mannschaft in diesem Durchlauf und wendet einfache, transparente Regeln an, um ein menschenlesbares taktisches Label zu vergeben, sodass Cluster 2 heute als „Breite Überlappung“ gelesen werden könnte, während Cluster 2 morgen als „Hohes Pressing“ gelesen wird, wenn sich das Verhalten der zugrunde liegenden Spieler verschoben hat.