1. El problema

El partido (Barça contra Athletic) está grabado a 25 fps: 25 fotogramas por segundo, 199.319 en total. Para cada fotograma hay que escribir una etiqueta: H (posee el local), A (posee el visitante), D (balón muerto o en disputa) o X (me abstengo). La entrada es tracking automático: por fotograma, posición y velocidad de los jugadores y del balón, sin decir quién tiene el balón y con muchos fotogramas donde el balón simplemente no fue detectado. Sólo 5 minutos del partido traen la respuesta correcta, que llamamos ground truth.

Lo que se puntúa no es acertar fotogramas sueltos sino acertar posesiones. Una posesión (spell) es un tramo continuo de la misma etiqueta H o la misma A. El spellF1 empareja cada posesión que predecimos con una real según cuánto se solapan en el tiempo, y cuenta cada posesión una vez, dure poco o mucho. El macroF1 mide acierto fotograma a fotograma y sólo desempata. Ejemplo ancla: una posesión real del local de diez fotogramas, y una predicción que parpadea en un fotograma.

Fotograma	1	2	3	4	5	6	7	8	9	10
Realidad	H	H	H	H	H	H	H	H	H	H
Predicción	H	H	H	A	H	H	H	H	H	H

Realidad: 1 posesión. Predicción: 3 posesiones (H de 3 fotogramas, A de 1, H de 6). Acertamos 9 de 10 fotogramas, así que el macroF1 casi no se mueve. Pero ninguno de los dos tramos H cubre la posesión real entera, y con los umbrales de solapamiento de la métrica el tramo corto queda fuera y el largo, según el umbral, también; la A es una posesión inventada. Resultado: una posesión real perdida o coja y una falsa, con un error de un solo fotograma.

Esto es lo que le pasa al baseline, 0.2433 de spellF1: cada vez que no ve el balón escribe D, y esa D parte una posesión real en dos. El método entero es una cadena de maneras de dejar de partir posesiones, sin llegar a fundir posesiones distintas.