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

In de wereld van de topsport is prestatieanalyse de kunst om de chaos van een wedstrijd om te zetten in duidelijk bewijs. Coaches en wetenschappers kijken niet alleen naar wedstrijden om te zien wie er won, maar om te begrijpen hoe de overwinning werd opgebouwd. Ze breken een wedstrijd af in duizenden kleine momenten: een service, een return, een voetstap, een fout. Het doel is om te vinden welke van deze momenten er werkelijk het meest toe doen. Echter, één enkel getal of een simpel gemiddelde kan misleidend zijn. Alleen omdat een speler veel winnende slagen slaat, betekent dat die specifieke actie niet de oorzaak van de overwinning was; soms is het belangrijkste factor iets subtiels dat zich pas onthult wanneer je naar het totaalplaatje kijkt. Hier komt de moderne informatica om de hoek kijken. In plaats van te vertrouwen op één manier van denken, kunnen onderzoekers nu vele verschillende computerprogramma's tegelijkertijd gebruiken. Deze programma's fungeren als een team van experts, elk met een iets andere manier om de data te zien. Door naar al hen te luisteren, in plaats van alleen naar de luidste stem, kunnen analisten patronen vinden die een enkele methode zou missen. Deze aanpak wordt essentieel in sporten zoals tennis, waar het verschil tussen winnen en verliezen vaak verborgen ligt in de details.

Een team van onderzoekers van de Wuhan Sports University en de Wuhan University paste dit teamgerichte denken toe op de carrière van Novak Djokovic, een van de grootste tennisspelers uit de geschiedenis. Ze wilden precies weten welke technische vaardigheden en tactische keuzes de sterkste drijfveren waren van zijn succes bij het winnen van een set. Hiervoor verzamelden ze een enorme hoeveelheid data uit 239 gespeelde sets op hardcourt tijdens grote Grand Slam-toernooien tussen 2019 en 2025. Ze volgden eenendertig verschillende indicatoren voor elke set, variërend van voor de hand liggende zaken zoals het aantal dubbele fouten tot meer specifieke details zoals de snelheid van een backhandslag of het aantal keren dat een speler het net naderde. De onderzoekers verdeelden deze data in twee groepen. Ze gebruikten de oudere data van 2019 tot 2024 om twaalf verschillende computeralgoritmen te leren hoe ze de uitkomst van een set konden voorspellen. Vervolgens testten ze deze programma's op een nieuwe, ongeziene groep van veertig sets uit 2025 om te zien of de lessen standhielden in de echte wereld.

De onderzoekers kozen niet simpelweg het beste computerprogramma. In plaats daarvan testten ze elke mogelijke combinatie van de twaalf algoritmen, waardoor ze duizenden verschillende "teams" of ensembles creëerden. Ze ontdekten dat het meest nauwkeurige team niet een enorme groep van alle twaalf was, maar een specifiek ensemble van vier modellen. Deze geselecteerde groep van vier programma's werkte samen om te voorspellen of Djokovic een set zou winnen of verliezen met opmerkelijke precisie, waarbij ze een nauwkeurigheid van 90 procent bereikten op de nieuwe data van 2025. Wanneer het team keek naar wat deze programma's hadden geleerd, ontdekten ze dat de belangrijkste factoren precies waren wat experts al lang vermoedden. Het vermogen om de service van een tegenstander te breken, het totale aantal gewonnen punten en de controle over ongevraagde fouten waren de belangrijkste drijfveren van succes. Deze resultaten bevestigden dat de computermodellen geen dingen verzonnen; ze herstelden de gevestigde waarheden van het spel.

De ware waarde van dit onderzoek werd echter zichtbaar toen de onderzoekers keken naar de zaken die een enkel computerprogramma mogelijk genegeerd zou hebben. Wanneer zij elke van de twaalf individuele programma's vroegen om de belangrijkheid van de eenendertig indicatoren te rangschikken, ontdekten zij een verrassende onenigheid. Eén specifieke indicator, het aantal backhandreturns, werd door het gecombineerde team gerangschikt als een top-vijf factor, maar kwam slechts in de top vijf voor bij drie van de twaalf individuele programma's. Als de onderzoekers simpelweg het best presterende programma hadden gekozen, hadden ze dit signaal wellicht volledig gemist. De gecombineerde aanpak onthulde dat de frequentie van backhandreturns een subtiele maar consistente marker van succes was voor Djokovic, een patroon dat te zacht was voor welk enkel algoritme dan ook om zelfstandig te horen.

De studie verduidelijkte ook hoe deze patronen werken. De onderzoekers toonden aan dat wanneer Djokovic meer backhandreturns maakte, dit geassocieerd was met een grotere kans om de set te winnen. Ze visualiseerden deze relatie en ontdekten dat het positieve effect duidelijker werd wanneer het aantal backhandreturns in een set rond de tweeentwintig bereikte. Het is belangrijk op te merken dat dit aantal geen magisch doelwit is of een regel die elke speler moet volgen. Het is simpelweg een beschrijving van wat er in deze specifieke wedstrijden gebeurde. De onderzoekers waren voorzichtig in hun uitleg dat zij niet konden zeggen waarom dit gebeurde. Het zou kunnen zijn dat tegenstanders meer op zijn backhand serveerden, of dat hij meer kansen had om te retourneren, of dat de lengte van de rally's zijn strategie veranderde. De data toonden een verband aan, maar bewezen de oorzaak niet.

Dit werk demonstreert een nieuwe manier om sportprestaties te bestuderen. Door een team van verschillende computermodellen te gebruiken en hun antwoorden te vergelijken, kunnen analisten het onderscheid maken tussen de ruis en het signaal. Ze kunnen bevestigen wat al bekend is, zoals het belang van het breken van de service, terwijl ze ook het licht schijnen op stillere, speler-specifieke gewoonten die anders over het hoofd gezien zouden worden. De studie beweert niet dat deze bevindingen van toepassing zijn op elke tennisser of elk oppervlak. De resultaten zijn specifief voor Novak Djokovic en de hardcourtwedstrijden die hij tijdens deze jaren speelde. Toch is de methode zelf een krachtig instrument. Het biedt een reproduceerbare manier om herhaalde prestatiedata te bestuderen, waardoor wordt gewaarborgd dat de conclusies die uit een wedstrijd worden getrokken gebaseerd zijn op een brede consensus van bewijslast in plaats van op het smalle perspectief van één enkel analytisch hulpmiddel. Voor de nieuwsgierige waarnemer suggereert het dat in de complexe dans van de topsport de belangrijkste aanwijzingen vaak niet worden gevonden door naar één expert te luisteren, maar door velen te vragen.