⚽ Analyseur de Performance des Joueurs — Clustering des Trajectoires en Direct

K-means est un algorithme d'apprentissage non supervisé qui répartit les points de données en k groupes de sorte que chaque point appartienne au cluster dont le centroïde (la moyenne) lui est le plus proche, mesuré par la distance euclidienne. Il alterne entre une étape d'affectation, où chaque point rejoint son centroïde le plus proche, et une étape de mise à jour, où chaque centroïde se déplace vers la moyenne des points qui lui sont affectés, en répétant jusqu'à ce que les affectations cessent de changer ou que les centroïdes bougent à peine.

Les coordonnées brutes x,y ne décrivent que l'endroit où se trouve un joueur à un instant donné, ce qui dépend surtout de la phase de jeu en cours. Dériver des caractéristiques de l'historique de la trajectoire — position moyenne sur le terrain, zone de couverture parcourue, fréquence des sprints et centralité dans le réseau de passes — capture la façon dont un joueur se comporte dans la durée, ce qui distingue réellement des rôles tactiques comme un attaquant de pressing haut d'un défenseur reculé, même lorsque leurs positions instantanées se chevauchent brièvement.

Le k-means classique choisit les centroïdes de départ de façon uniformément aléatoire, ce qui peut produire de mauvais clusters ou une convergence lente si deux centroïdes initiaux se retrouvent proches l'un de l'autre. K-means++ choisit à la place le premier centroïde au hasard, puis sélectionne chaque centroïde suivant avec une probabilité proportionnelle au carré de sa distance au centroïde le plus proche déjà choisi, ce qui répartit les graines initiales sur l'ensemble des données. Cela produit presque toujours une convergence plus rapide et une inertie finale plus faible qu'une initialisation aléatoire naïve.

L'inertie, ou somme des carrés intra-cluster, est la distance euclidienne au carré totale entre chaque point et le centroïde de son cluster assigné, calculée dans l'espace des caractéristiques standardisé. Une inertie plus faible signifie des clusters plus compacts et plus cohérents en interne. Observer l'inertie diminuer au fil des itérations d'affectation/mise à jour à chaque reclustering du match montre que l'algorithme converge réellement, plutôt que de simplement recolorier des points au hasard.

K-means en lui-même ne produit que des clusters numérotés — il n'a aucune idée de ce qu'est un « bloc bas ». Après chaque passe de clustering, la simulation examine les valeurs moyennes brutes des caractéristiques de chaque cluster par rapport aux statistiques de l'ensemble de l'effectif à ce moment, et applique des règles simples et transparentes pour attacher une étiquette tactique lisible par un humain ; ainsi le cluster 2 peut se lire aujourd'hui comme « Chevauchement Large » et demain comme « Pressing Haut » si le comportement des joueurs sous-jacents a changé.