💻 computer science

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

Este estudo demonstra que um fluxo de trabalho de aprendizado de máquina de conjunto interpretável aplicado aos dados de Grand Slam de Novak Djokovic não apenas alcança alta precisão preditiva para resultados de sets, mas também revela indicadores de desempenho específicos do jogador, como devoluções de backhand, que são frequentemente negligenciados por modelos individuais.

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

Publicado 2026-09-10

📖 6 min de leitura🧠 Leitura aprofundada

CC BY 4.0

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

Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

No mundo dos esportes de elite, a análise de desempenho é a arte de transformar o caos de uma partida em evidências claras. Treinadores e cientistas assistem aos jogos não apenas para ver quem venceu, mas para entender como a vitória foi construída. Eles decompõem um jogo em milhares de pequenos momentos: um saque, um retorno, um passo, um erro. O objetivo é descobrir quais desses momentos realmente importam mais. No entanto, um único número ou uma média simples pode ser enganoso. Só porque um jogador acerta muitos winners não significa que essa ação específica causou a vitória; às vezes, o fator mais importante é algo sutil que só se revela quando se observa o quadro completo. É aqui que a ciência da computação moderna entra em cena. Em vez de depender de uma única forma de pensar, os pesquisadores agora podem usar muitos programas de computador diferentes ao mesmo tempo. Esses programas atuam como uma equipe de especialistas, cada um com uma maneira ligeiramente diferente de enxergar os dados. Ao ouvir todos eles, em vez de apenas a voz mais alta, os analistas podem encontrar padrões que um único método poderia deixar passar. Essa abordagem está se tornando vital em esportes como o tênis, onde a diferença entre ganhar e perder está frequentemente escondida nos detalhes.

Uma equipe de pesquisadores da Universidade de Esportes de Wuhan e da Universidade de Wuhan aplicou esse pensamento baseado em equipe à carreira de Novak Djokovic, um dos maiores jogadores de tênis da história. Eles queriam saber exatamente quais habilidades técnicas e escolhas táticas foram os impulsionadores mais fortes de seu sucesso ao vencer um set. Para fazer isso, reuniram uma quantidade massiva de dados de 239 sets disputados em quadras duras em grandes torneios de Grand Slam entre 2019 e 2025. Eles rastrearam trinta e quatro indicadores diferentes para cada set, variando de coisas óbvias como o número de duplas faltas até detalhes mais específicos, como a velocidade de um backhand ou o número de vezes que um jogador se aproximou da rede. Os pesquisadores dividiram esses dados em dois grupos. Eles usaram os dados mais antigos de 2019 a 2024 para ensinar doze algoritmos de computador diferentes a prever o resultado de um set. Em seguida, testaram esses programas em um grupo novo e inédito de quarenta sets de 2025 para ver se as lições se sustentavam no mundo real.

Os pesquisadores não escolheram apenas o melhor programa de computador individual. Em vez disso, testaram todas as combinações possíveis dos doze algoritmos, criando milhares de diferentes "equipes" ou conjuntos (ensembles). Eles descobriram que a equipe mais precisa não era um grupo gigante de todos os doze, mas um conjunto específico de quatro modelos. Esse grupo selecionado de quatro programas trabalhou junto para prever se Djokovic ganharia ou perderia um set com uma precisão notável, alcançando uma precisão de 90 por cento nos novos dados de 2025. Quando a equipe analisou o que esses programas haviam aprendido, descobriu que os fatores mais importantes eram exatamente o que os especialistas há muito suspeitavam. A capacidade de quebrar o saque do adversário, o número total de pontos vencidos e o controle de erros não forçados foram os principais impulsionadores do sucesso. Esses resultados confirmaram que os modelos de computador não estavam inventando coisas; eles estavam recuperando as verdades estabelecidas do jogo.

No entanto, o verdadeiro valor deste estudo surgiu quando os pesquisadores buscaram as coisas que um único programa de computador poderia ter ignorado. Quando perguntaram a cada um dos doze programas individuais para classificar a importância dos trinta e quatro indicadores, encontraram um desacordo surpreendente. Um indicador específico, o número de devoluções de backhand, foi classificado como um dos cinco principais fatores pela equipe combinada, mas apareceu no top cinco em apenas três dos doze programas individuais. Se os pesquisadores tivessem simplesmente escolhido o programa de melhor desempenho, poderiam ter perdido esse sinal inteiramente. A abordagem combinada revelou que a frequência das devoluções de backhand era um marcador de sucesso sutil, mas consistente, para Djokovic, um padrão que era silencioso demais para que qualquer algoritmo individual pudesse ouvir por conta própria.

O estudo também esclareceu como esses padrões funcionam. Os pesquisadores mostraram que, quando Djokovic fazia mais devoluções de backhand, isso estava associado a uma maior chance de vencer o set. Eles visualizaram essa relação e descobriram que o efeito positivo tornava-se mais perceptível quando o número de devoluções de backhand em um set atingia cerca de vinte e dois. É importante notar que este número não é uma meta mágica ou uma regra que todo jogador deva seguir. É simplesmente uma descrição do que aconteceu nestas partidas específicas. Os pesquisadores foram cuidadosos ao explicar que não podiam dizer por que isso acontecia. Poderia ser que os adversários sacavam mais no seu backhand, ou que ele tinha mais oportunidades de devolver, ou que a duração dos ralis mudava sua estratégia. Os dados mostraram uma ligação, mas não provaram a causa.

Este trabalho demonstra uma nova maneira de estudar o desempenho esportivo. Ao usar uma equipe de diferentes modelos de computador e comparar suas respostas, os analistas podem separar o ruído do sinal. Eles podem confirmar o que já é conhecido, como a importância de quebrar o saque, enquanto também lançam luz sobre hábitos mais sutis e específicos de cada jogador que poderiam ser negligenciados. O estudo não afirma que essas descobertas se aplicam a todos os jogadores de tênis ou a todas as superfícies. Os resultados são específicos para Novak Djokovic e as partidas em quadras duras que ele disputou durante esses anos. No entanto, o método em si é uma ferramenta poderosa. Ele oferece uma maneira reproduzível de observar dados de desempenho repetidos, garantindo que as conclusões tiradas de um jogo sejam baseadas em um amplo consenso de evidências, e não na visão estreita de uma única ferramenta analítica. Para o observador curioso, isso sugere que, na dança complexa do esporte de elite, as pistas mais importantes são frequentemente encontradas não ouvindo um único especialista, mas perguntando a muitos.

Resumo Técnico: Aprendizado de Máquina de Conjunto Interpretável para o Desempenho Específico de Jogadores de Tênis

Problema
O tênis de elite gera dados técnico-táticos de alta dimensionalidade, mas determinar quais indicadores realmente caracterizam o desempenho bem-sucedido é complicado pelo modelo analítico escolhido. A proeminência descritiva não equivale à importância analítica; um indicador pode parecer influente ou negligenciável dependendo de como um algoritmo específico lida com não linearidades, colinearidade e interações. Um desafio central na análise esportiva não é meramente classificar resultados, mas identificar quais interpretações permanecem informativas quando as suposições de modelagem mudam. A maioria das pesquisas existentes baseia-se em um único algoritmo ou no modelo único com a maior pontuação preditiva, o que pode transformar uma decisão de modelagem em uma conclusão analítica. Este estudo aborda a necessidade de um fluxo de trabalho que integre algoritmos complementares para manter indicadores estabelecidos enquanto aumenta a visibilidade de informações sutis e específicas do jogador que os rankings de modelos únicos podem despriorizar.

Metodologia
O estudo empregou uma análise retrospectiva e específica de jogador, utilizando Novak Djokovic como um exemplo rico em dados de desempenho de elite repetido. O conjunto de dados compreendeu 239 sets de eventos de Grand Slam em quadra dura entre 2019 e 2025.

Particionamento de Dados: 199 sets (2019–2024) foram usados para treinamento e validação cruzada, enquanto 40 sets de 2025 serviram como um teste temporal independente.
Recursos (Features): Foram compilados 34 indicadores técnico-táticos, abrangendo a fase de saque-devolução (ex: quebras de saque, tipos de devolução, velocidade de saque) e a fase de rally (ex: erros não forçados, duração do rally, velocidade de batida). Após a triagem para colinearidade (correlação de Pearson $\ge$ 0,90) e normalidade (teste de Shapiro-Wilk), 31 indicadores permaneceram para a modelagem.
Estrutura Algorítmica: Doze algoritmos de aprendizado supervisionado foram avaliados, incluindo regressões lineares e regularizadas, conjuntos baseados em árvores (Random Forest, Gradient Boosting, AdaBoost), regressão de vetores de suporte, k-vizinhos mais próximos, perceptrons multicamadas e análise discriminante.
Construção do Conjunto (Ensemble): O estudo gerou todos os 4.095 subconjuntos não vazios dos 12 modelos. Os subconjuntos foram avaliados usando F1-scores fora da dobra (OOF) derivados de uma validação cruzada estratificada de cinco dobras. O subconjunto ideal foi selecionado com base no desempenho OOF, não no teste temporal.
Interpretação: O conjunto selecionado foi interpretado usando três métodos complementares:
1. Importância por Permutação: Para avaliar a atenção do recurso dentro do modelo.
2. Ablação de Recursos (Feature Ablation): Para quantificar a sensibilidade à remoção de indicadores, medindo as quedas de AUC.
3. SHAP (SHapley Additive exPlanations): Para fornecer explicações agnósticas ao modelo das contribuições dos recursos e classificar os indicadores por valor absoluto médio. As classificações SHAP entre modelos foram comparadas para avaliar a consistência da visibilidade dos recursos através dos algoritmos individuais.

Resultos Principais

Desempenho do Conjunto: O conjunto de quatro modelos selecionado (Regressão Linear, Regressão Ridge, Regressão Lasso e k-Nearest Neighbors) alcançou uma acurácia de 0,900, um F1-score de 0,936 e um AUC de 0,977 no teste temporal independente de 2025. Este desempenho superou o conjunto completo de 12 modelos, demonstrando que adicionar modelos sem considerar a complementaridade não melhora os critérios de seleção.
Recuperação de Indicadores Estabelecidos: O fluxo de trabalho recuperou com sucesso determinantes bem conhecidos dos resultados dos sets, incluindo quebras de saque, pontos totais vencidos, duplas faltas e erros não forçados. Estes indicadores mostraram alta importância tanto na importância por permutação quanto nas análises SHAP.
Elevação de Sinais Sutis: Um achado crítico envolveu as "Devoluções de Backhand". Na análise SHAP do conjunto, este indicador classificou-se em quinto lugar por contribuição absoluta média. No entanto, nas análises SHAP de modelos individuais, este indicador ocupou a quinta posição em apenas 3 dos 12 modelos (com uma mediana de ranking de 10). Este contraste ilustra que a integração entre modelos pode elevar a visibilidade de informações específicas do jogador que as classificações de recursos isolados poderiam despriorizar.
Dependências de Recursos: Gráficos de dependência SHAP indicaram que contagens mais altas de devoluções de backhand foram associadas a uma contribuição mais positiva para a classe vencedora, com um ponto de transição descritivo observado próximo a 22 devoluções por set nos dados de teste.

Significância e Alegações
O artigo afirma que sua principal contribuição é o desenvolvimento de um fluxo de trabalho analítico reproduzível e auditável, em vez de uma regra universal para o desempenho no tênis. O estudo demonstra que:

Integração sobre Seleção: Combinar algoritmos complementares permite uma identificação mais robusta de indicadores de desempenho do que selecionar um único "melhor" modelo.
Visibilidade de Sinais Dependentes do Modelo: O fluxo de trabalho pode revelar associações sutis e específicas do jogador (como a frequência de devolução de backhand) que permanecem consistentes em um conjunto, mas são inconsistentes ou despriorizadas em classificações de modelos individuais.
Rigor Metodológico: Ao separar a discriminação do modelo, a importância do recurso dentro de um modelo e a visibilidade do recurso entre modelos, o estudo fornece uma estrutura para avaliar a estrutura de evidências em dados de desempenho esportivo repetido.

Os autores declaram explicitamente que as associações identificadas são específicas para o jogador (Djokovic) e o contexto de observação (quadras duras de Grand Slam). O estudo não alega que esses indicadores são determinantes causais ou que os rankings específicos se transferem para outros atletas ou superfícies sem reavaliação. O valor reside no procedimento para avaliar os rankings, não no resultado específico para este único conjunto de dados.

Mais como este