💻 computer science

Interpretable ensemble machine learning identifies player-specific performance indicators in elite tennis

Este estudio demuestra que un flujo de trabajo de aprendizaje automático de conjunto interpretable aplicado a los datos de Grand Slam de Novak Djokovic no solo logra una alta precisión predictiva para los resultados de los sets, sino que también revela indicadores de rendimiento específicos del jugador, tales como las devoluciones de revés, que a menudo son pasados por alto por los modelos individuales.

Autores originales: Yifeng Li, Weixiang Jiao, Meiyi ZouZhu, Yawen Zheng, Wenjie Lu, Yihang Kong, Xingyun Li

Publicado 2026-09-10

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Yifeng Li, Weixiang Jiao, Meiyi ZouZhu, Yawen Zheng, Wenjie Lu, Yihang Kong, Xingyun Li

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

En el mundo de los deportes de élite, el análisis del rendimiento es el arte de convertir el caos de un partido en evidencia clara. Los entrenadores y científicos observan los juegos no solo para ver quién ganó, sino para comprender cómo se construyó la victoria. Desglosan un juego en miles de pequeños momentos: un saque, una devolución, un paso, un error. El objetivo es encontrar qué parte de estos momentos importa más realmente. Sin embargo, un solo número o un promedio simple pueden ser engañosos. El hecho de que un jugador realice muchos tiros ganadores no significa que esa acción específica haya causado la victoria; a veces, el factor más importante es algo sutil que solo se revela cuando se observa el panorama completo. Aquí es donde entra la informática moderna. En lugar de depender de una sola forma de pensar, los investigadores ahora pueden utilizar muchos programas informáticos diferentes a la vez. Estos programas actúan como un equipo de expertos, cada uno con una forma ligeramente distinta de ver los datos. Al escuchar a todos ellos, en lugar de solo a la voz más fuerte, los analistas pueden encontrar patrones que un solo método podría pasar por alto. Este enfoque se está volviendo vital en deportes como el tenis, donde la diferencia entre ganar y perder suele estar oculta en los detalles.

Un equipo de investigadores de la Universidad de Deportes de Wuhan y la Universidad de Wuhan aplicó este pensamiento basado en equipos a la carrera de Novak Djokovic, uno de los mejores tenistas de la historia. Querían saber exactamente qué habilidades técnicas y elecciones tácticas fueron los motores más fuertes de su éxito para ganar un set. Para ello, recopilaron una enorme cantidad de datos de 239 sets jugados en pistas duras en importantes torneos de Grand Slam entre 2019 y 2025. Rastrearon treinta y cuatro indicadores diferentes para cada set, que iban desde cosas obvias como el número de dobles faltas hasta detalles más específicos como la velocidad de un golpe de revés o el número de veces que un jugador se acercaba a la red. Los investigadores dividieron estos datos en dos grupos. Utilizaron los datos más antiguos de 2019 a 2024 para enseñar a doce algoritmos informáticos diferentes a predecir el resultado de un set. Luego, probaron estos programas con un grupo nuevo y no visto de cuarenta sets de 2025 para ver si las lecciones se mantenían en el mundo real.

Los investigadores no se limitaron a elegir el mejor programa informático individual. En su lugar, probaron todas las combinaciones posibles de los doce algoritmos, creando miles de diferentes "equipos" o conjuntos. Descubrieron que el equipo más preciso no era un grupo gigante de los doce, sino un conjunto específico de cuatro modelos. Este grupo seleccionado de cuatro programas trabajó conjuntamente para predecir si Djokovic ganaría o perdería un set con una precisión notable, logrando una exactitud del 90 por ciento en los nuevos datos de 2025. Cuando el equipo analizó lo que estos programas habían aprendido, descubrieron que los factores más importantes eran exactamente lo que los expertos habían sospechado durante mucho tiempo. La capacidad de romper el saque de un oponente, el número total de puntos ganados y el control de los errores no forzados fueron los principales impulsores del éxito. Estos resultados confirmaron que los modelos informáticos no se estaban inventando las cosas; estaban recuperando las verdades establecidas del juego.

Sin embargo, el verdadero valor de este estudio apareció cuando los investigadores buscaron las cosas que un solo programa informático podría haber ignorado. Cuando pidieron a cada uno de los doce programas individuales que clasificara la importancia de los treinta y cuatro indicadores, encontraron un desacuerdo sorprendente. Un indicador específico, el número de devoluciones de revés, fue clasificado como un factor de los cinco principales por el equipo combinado, pero apareció en los cinco primeros para solo tres de los doce programas individuales. Si los investigadores simplemente hubieran elegido el programa con mejor desempeño, podrían haber pasado por alto esta señal por completo. El enfoque combinado reveló que la frecuencia de las devoluciones de revés era un marcador sutil pero constante de éxito para Djokovic, un patrón que era demasiado silencioso para que cualquier algoritmo individual pudiera escucharlo por sí solo.

El estudio también aclaró cómo funcionan estos patrones. Los investigadores demostraron que cuando Djokovic realizaba más devoluciones de revés, esto se asociaba con una mayor probabilidad de ganar el set. Visualizaron esta relación y descubrieron que el efecto positivo se hacía más notable cuando el número de devoluciones de revés en un set alcanzaba alrededor de veintidós. Es importante señalar que este número no es un objetivo mágico ni una regla que todo jugador deba seguir. Es simplemente una descripción de lo que sucedió en estos partidos específicos. Los investigadores fueron cuidadosos al explicar que no podían decir por qué sucedía esto. Podría ser que los oponentes sacaran más a su revés, o que él tuviera más oportunidades de devolver, o que la duración de los rallies cambiara su estrategia. Los datos mostraron un vínculo, pero no probaron la causa.

Este trabajo demuestra una nueva forma de estudiar el rendimiento deportivo. Al utilizar un equipo de diferentes modelos informáticos y comparar sus respuestas, los analistas pueden separar el ruido de la señal. Pueden confirmar lo que ya se sabe, como la importancia de romper el saque, además de dar luz a hábitos más silenciosos y específicos de cada jugador que de otro modo podrían pasarse por alto. El estudio no pretende que estos hallazgos se apliquen a todos los tenistas o a todas las superficies. Los resultados son específicos para Novak Djokovic y los partidos en pista dura que jugó durante estos años. Sin embargo, el método en sí mismo es una herramienta poderosa. Ofrece una forma reproducible de observar datos de rendimiento repetidos, asegurando que las conclusiones extraídas de un juego se basen en un consenso amplio de evidencia en lugar de la visión estrecha de una sola herramienta analítica. Para el observador curioso, sugiere que en la compleja danza del deporte de élite, las pistas más importantes se encuentran a menudo no escuchando a un solo experto, sino preguntando a muchos.

Resumen Técnico: Aprendizaje Automático de Conjuntos Interpretable para el Rendimiento Tenístico Específico de un Jugador

Planteamiento del Problema
El tenis de élite genera datos técnico-tácticos de alta dimensionalidad; sin embargo, determinar qué indicadores caracterizan realmente un rendimiento exitoso se ve complicado por el modelo analítico elegido. La prominencia descriptiva no equivale a la importancia analítica; un indicador puede parecer influyente o insignificante dependiendo de cómo un algoritmo específico maneje las no linealidades, la colinealidad y las interacciones. Un desafío central en la analítica deportiva no es meramente clasificar resultados, sino identificar qué interpretaciones permanecen informativas cuando los supuestos del modelo cambian. La mayor parte de la investigación existente se basa en un único algoritmo o en el modelo único con la puntuación predictiva más alta, lo que potencialmente convierte una decisión de modelado en una conclusión analítica. Este estudio aborda la necesidad de un flujo de trabajo que integre algoritmos complementarios para retener los indicadores establecidos mientras se aumenta la visibilidad de la información sutil y específica del jugador que los rankings de un modelo único podrían despriorizar.

Metodología
El estudio empleó un análisis retrospectivo y específico del jugador, utilizando a Novak Djokovic como un ejemplo rico en datos de rendimiento de élite repetido. El conjunto de datos comprendió 239 sets de eventos de Grand Slam en pistas duras entre 2019 y 2025.

Partición de Datos: Se utilizaron 199 sets (2019–2024) para el entrenamiento y la validación cruzada, mientras que 40 sets de 2025 sirvieron como una prueba temporal independiente.
Características: Se recopilaron 34 indicadores técnico-tácticos, que cubren la fase de saque-devolución (p. ej., quiebres de servicio, tipos de devolución, velocidad del saque) y la fase de rally (p. ej., errores no forzados, longitud del rally, velocidad del tiro). Tras la detección de colinealidad (correlación de Pearson $\ge$ 0.90) y normalidad (prueba de Shapiro-Wilk), permanecieron 31 indicadores para el modelado.
Marco Algorítmico: Se evaluaron doce algoritmos de aprendizaje supervisado, incluyendo regresiones lineales y regularizadas, ensambles basados en árboles (Random Forest, Gradient Boosting, AdaBoost), regresión de vectores de soporte, k-vecinos más cercanos, perceptrones multicapa y análisis discriminante.
Construcción del Ensamble: El estudio generó los 4,095 subconjuntos no vacíos de los 12 modelos. Los subconjuntos se evaluaron mediante puntuaciones F1 fuera de la muestra (OOF) derivadas de una validación cruzada estratificada de cinco pliegues. El subconjunto óptimo se seleccionó basándose en el rendimiento OOF, no en la prueba temporal.
Interpretación: El ensamble seleccionado se interpretó mediante tres métodos complementarios:
1. Importancia por Permutación: Para evaluar la atención de las características dentro del modelo.
2. Ablación de Características: Para cuantificar la sensibilidad a la eliminación de indicadores midiendo las disminuciones de AUC.
3. SHAP (SHapley Additive exPlanations): Para proporcionar explicaciones agnósticas al modelo de las contribuciones de las características y clasificar los indicadores por su valor absoluto medio. Los rankings de SHAP entre modelos se compararon para evaluar la consistencia de la visibilidad de las características a través de los algoritmos individuales.

Resultos Clave

Rendimiento del Ensamble: El ensamble de cuatro modelos seleccionado (Regresión Lineal, Regresión Ridge, Regresión Lasso y k-Vecinos Más Cercanos) alcanzó una precisión de 0.900, una puntuación F1 de 0.936 y un AUC de 0.977 en la prueba temporal independiente de 2025. Este rendimiento superó al ensamble completo de 12 modelos, demostrando que añadir modelos sin considerar la complementariedad no mejora los criterios de selección.
Recuperación de Indicadores Establecidos: El flujo de trabajo recuperó con éxito determinantes bien conocidos de los resultados de los sets, incluyendo los quiebres de servicio, puntos totales ganados, dobles faltas y errores no forzados. Estos indicadores mostraron una alta importancia tanto en la importancia por permutación como en los análisis de SHAP.
Elevación de Señales Sutiles: Un hallazgo crítico involucró los "Devoluciones de revés". En el análisis SHAP del ensamble, este indicador ocupó el quinto lugar por contribución absoluta media. Sin embargo, en los análisis de SHAP de modelos individuales, este ocupó el quinto lugar en solo 3 de los 12 modelos (con un rango de mediana de 10). Este contraste ilustra que la integración entre modelos puede elevar la visibilidad de la información específica del jugador que los rankings de características aisladas podrían despriorizar.
Dependencias de Características: Los gráficos de dependencia de SHAP indicaron que un mayor conteo de devoluciones de revés se asoció con una contribución más positiva a la clase ganadora, observándose un punto de transición descriptivo cerca de los 22 devoluciones por set en los datos de prueba.

Significancia y Reivindicaciones
El artículo afirma que su principal contribución es el desarrollo de un flujo de trabajo analítico reproducible y auditable, más que una regla universal para el rendimiento en el tenis. El estudio demuestra que:

Integración sobre Selección: Combinar algoritmos complementarios permite una identificación más robusta de los indicadores de rendimiento que seleccionar un único "mejor" modelo.
Visibilidad de Señales Dependientes del Modelo: El flujo de trabajo puede revelar asociaciones sutiles y específicas del jugador (como la frecuencia de devolución de revés) que permanecen consistentes a través de un ensamble pero que son inconsistentes o despriorizadas en los rankings de modelos individuales.
Rigor Metodológico: Al separar la discriminación del modelo, la importancia de las características dentro de un modelo y la visibilidad de las características entre modelos, el estudio proporciona un marco para evaluar la estructura de la evidencia en datos de rendimiento deportivo repetidos.

Los autores declaran explícitamente que las asociaciones identificadas son específicas del jugador (Djokovic) y el contexto de observación (pistas duras de Grand Slam). El estudio no pretende que estos indicadores sean determinantes causales o que los rankings específicos se transfieran a otros atletas o superficies sin una reevaluación. El valor reside en el procedimiento para evaluar los rankings, no en el resultado específico para este único conjunto de datos.

Más como este