Basketball shooting performance evaluation through spatial probability maps: an application to the 2022/2023 italian first league

This work focuses on Basketball analytics, specifically on evaluating shooting performance using innovative maps that vividly illustrate the probability of scoring from every position of the court. These maps can uncover subtle areas with higher or lower effectiveness in shooting performance, providing valuable insights within the Basketball framework. To construct the map, an inferential procedure is employed: a model is trained using actual shot data, which includes coordinates and binary outcome (shot made or missed), and subsequently used to generate predictions for the court grid. We propose two main approaches, the former based on Adaboost method, which is a boosting technique that uses decision-trees as base learners, and the latter based on Indicator Kriging, a geostatistical prediction technique. We also discuss the possibility to add categorical variables to the model, leading to the production of visual impactful maps. We then tackle the issue of the non-homogeneous density of the basketball shots data. All the employed models are then compared using an index able to assess the graphical goodness of the maps. The data application involves a precise and rich dataset containing all the shots taken in the 2022/2023 Italian first league (LBA).

Questo lavoro tratta il tema delle Basketball Analytics, concentrandosi sulla valutazione della performance al tiro mediante mappe innovative che, per ogni punto del campo, mostrano la probabilità di segnare un canestro. Queste mappe possono cogliere piccole aree a bassa o alta efficacia nella performance di tiro, fornendo utili analisi nel contesto della Pallacanestro. Esse sono create tramite un processo inferenziale: un modello viene addestrato sui dati di tiro, rappresentati dalle loro coordinate e dall'esito binario, e poi viene impiegato per produrre le previsioni per ogni punto sul campo. Proponiamo due approcci principali, il primo basato sul metodo Adaboost, che è una tecnica di boosting che utilizza alberi decisionali come modelli di base, e l'altro basato su Indicator Kriging, una tecnica di previsione nel contesto della geostatistica. Discutiamo anche la possibilità di aggiungere variabili categoriche al modello, portando alla creazione di mappe visivamente impattanti. Successivamente, affrontiamo la questione della densità non omogenea dei tiri sul campo da basket. Tutti i modelli impiegati vengono poi confrontati utilizzando un indice in grado di valutare la bontà grafica delle mappe. L'applicazione dei dati coinvolge un dataset estremamente ricco e preciso contenente tutti i tiri effettuati nel primo campionato Italiano di basket (LBA) nella stagione 2022/2023.