PL 
EnglishDomyślny
Українська⚽ Analizator wydajności zawodników — grupowanie trajektorii na żywo
Grupuj symulowane trajektorie ruchu zawodników metodą k-średnich na podstawie cech przestrzennych, obserwując, jak skupienia ról taktycznych powstają na żywo w trakcie meczu.
O tej symulacji
Ten analizator umieszcza drużynę syntetycznych zawodników na boisku, pozwala prostej logice sterowania i posiadania piłki napędzać ich ruch podczas symulowanego meczu i nieustannie redukuje historię trajektorii każdego zawodnika do pięciu cech taktycznych: średniej pozycji na boisku, obszaru pokrycia, częstości sprintów i centralności w sieci podań. Prawdziwa pętla grupowania k-średnich — inicjalizacja k-means++, przypisanie euklidesowe, aktualizacja centroidów, powtarzane aż do zbieżności — grupuje następnie drużynę w role taktyczne, które aktualizują się na żywo w miarę rozwoju meczu, zamiast podążać za jakąkolwiek z góry zaplanowaną formacją.
🔬 Co pokazuje
Boisko 3D widziane z góry, gdzie każdy zawodnik jest prawdziwą sferą Three.js pokolorowaną według bieżącego skupienia, odbijającą się z prędkością sprintu i rzucającą cień na murawę. Obok niego wykres punktowy przestrzeni cech (renderowany przez płaszczyznę wspartą na CanvasTexture pod kamerą ortograficzną) kreśli znormalizowany wektor cech każdego zawodnika, z białymi celownikami oznaczającymi centroid każdego skupienia — tę samą przestrzeń, w której faktycznie grupuje pętla k-średnich.
🎮 Jak korzystać
Dostosuj liczbę zawodników (15–22), liczbę skupień taktycznych k (2–6) oraz częstość ponownego grupowania meczu. Przełącz wykres przestrzeni cech między osiami sprint/pokrycie a pozycja/centralność pressingu, wymuś natychmiastowe ponowne grupowanie, zmień szybkość meczu lub rozpocznij nowy mecz z nowymi archetypami zawodników. Panel boczny wyświetla bieżący rozmiar każdego skupienia oraz jego automatycznie wygenerowaną etykietę taktyczną.
💡 Czy wiesz, że?
K-średnie nigdy nie widzi przypisanego archetypu zawodnika — obrońcy, skrzydłowi, napastnicy — tylko wyprowadzone liczby. Etykiety „Wysoki pressing”, „Głęboki blok” i „Szerokie nakładanie” pokazywane na ekranie są odtwarzane po każdym przebiegu grupowania przez porównanie średniej pozycji na boisku, częstości sprintów, pokrycia i centralności podań każdego skupienia ze statystykami całej drużyny, co dokładnie odzwierciedla, jak prawdziwe zespoły analityki sportowej zamieniają surowe dane śledzenia w czytelny wgląd taktyczny.
Najczęściej zadawane pytania
Czym jest grupowanie k-średnich?
K-średnie to algorytm uczenia nienadzorowanego, który dzieli punkty danych na k grup tak, by każdy punkt należał do skupienia, którego centroid (średnia) jest mu najbliższy, mierzone odległością euklidesową. Naprzemiennie wykonuje krok przypisania, w którym każdy punkt dołącza do najbliższego centroidu, i krok aktualizacji, w którym każdy centroid przesuwa się do średniej przypisanych mu punktów, powtarzając to, aż przypisania przestaną się zmieniać lub centroidy ledwie się poruszają.
Dlaczego grupuje się cechy taktyczne zamiast surowych pozycji zawodników?
Surowe współrzędne x,y opisują jedynie, gdzie zawodnik znajduje się w jednej chwili, co jest zdominowane przez to, jaka faza gry akurat trwa. Wyprowadzenie cech z historii trajektorii — średniej pozycji na boisku, obszaru pokrycia, częstości sprintów i centralności sieci podań — uchwytuje, jak zawodnik zachowuje się w czasie, co faktycznie odróżnia role taktyczne, takie jak napastnik wysokiego pressingu od głęboko cofniętego obrońcy, nawet gdy ich chwilowe pozycje się nakładają.
Co robi inicjalizacja k-means++ i dlaczego ma znaczenie?
Zwykłe k-średnie wybiera początkowe centroidy jednostajnie losowo, co może dać słabe skupienia lub powolną zbieżność, jeśli dwa początkowe centroidy wylądują blisko siebie. K-means++ zamiast tego wybiera pierwszy centroid losowo, a następnie każdy kolejny z prawdopodobieństwem proporcjonalnym do jego kwadratu odległości od najbliższego już wybranego centroidu, rozprowadzając początkowe ziarna po całych danych. Niemal zawsze daje to szybszą zbieżność i niższą końcową inercję niż naiwna losowa inicjalizacja.
Czym jest inercja (WCSS) i dlaczego ma tu znaczenie?
Inercja, czyli suma kwadratów wewnątrz skupień, to całkowita kwadratowa odległość euklidesowa między każdym punktem a przypisanym mu centroidem skupienia, obliczana w znormalizowanej przestrzeni cech. Niższa inercja oznacza ciaśniejsze, bardziej spójne wewnętrznie skupienia. Obserwowanie spadku inercji podczas iteracji przypisania/aktualizacji za każdym razem, gdy mecz się ponownie grupuje, pokazuje, że algorytm faktycznie zbiega, a nie tylko losowo przekolorowuje kropki.
Jak wybierane są nazwy ról taktycznych, takie jak „Wysoki pressing” czy „Głęboki blok”?
Same k-średnie zwracają tylko ponumerowane skupienia — nie mają pojęcia, czym jest „głęboki blok”. Po każdym przebiegu grupowania symulacja patrzy na średnie surowe wartości cech każdego skupienia względem statystyk całej drużyny w tym przebiegu i stosuje proste, przejrzyste reguły, by przypisać czytelną dla człowieka etykietę taktyczną, więc skupienie 2 dziś może brzmieć jako „Szerokie nakładanie”, podczas gdy skupienie 2 jutro brzmi jako „Wysoki pressing”, jeśli zachowanie leżących u podstaw zawodników się zmieniło.