플레이스타일 기반 머신러닝을 활용한 탁구 선수 유형 분류 = Classification of Table Tennis Players Utilizing Play Style-Based Machine Learning

국문 초록 (Abstract)

본 연구는 군집분석 알고리즘을 사용하여 탁구 경기에서 반복되는 선수의 기술 패턴을 탐색해 선수별 패턴을 정량화하고 객관적인 선수 유형 분류 체계를 제 시하는 것이 목적이다. 2025년 세계 탁구 선수권대회에 참가한 한국, 중국, 일본 남 녀 단식 선수 30명의 경기 영상(총 103경기: 남자 단식 49경기와 여자 단식 54경기) 을 이용하였다. 해당 경기 영상을 다트피쉬(Dartfish) 프로그램으로 분석해 샷 단위 의 이벤트 데이터(Hand, Skill, Direction)를 추출하였다. 추출된 원본 데이터를 분석 목적에 맞게 전처리한 후 DBSCAN 알고리즘을 적용하였다. eps = [0.06] 및 Minpts = [40] 조건으로 61개의 군집을 확인하였으며 각 군집 내 분산을 최소화하고 중심점을 명확히 하기 위해 DBSCAN 알고리즘의 결과를 K-means 알고리즘에 그대로 적용하 였으며 군집의 품질을 평가하는 실루엣계수가 DBSCAN = 0.724에서 K-means = 0.752로 소폭 상승한 것을 확인하였다. 전체 18,204개의 샷 데이터에서 61개의 군집이 형성되었으며, 이 중 9,294개는 이상치로 분류되었다. 나머지 8,910개의 데이터 중 득점 과 관련된 5,365개는 33개의 군집, 득점과 관련되지 않은 3,545개는 28개의 군집에 포 함되었다. 33개의 군집을 사용해 선수별 전술 패턴 비율을 산출하였으며 이후 선수 유 형 분류를 위한 데이터로 사용하였다. 선수 유형 분류는 차원축소(PCA)와 HDBSCAN 을 결합한 메타 클러스터링(Meta-Clustering) 기법을 사용해 진행하였다. 그 결과 3개 의 선수 유형으로 분류했으며 유형별로 특정 핸드, 특정 타구 방향을 선호하는 경향을 확인하였다. 이를 통해 경기 전술적 특성과 플레이스타일의 객관적 구분 가능성을 확 인하였다.

다국어 초록 (Multilingual Abstract)

This study aims to identify recurring technical patterns in Table Tennis
matches using Density-Based Spatial Clustering of Applications with Noise
(DBSCAN) and to recommend an objective play style classification system by
quantifying each player’s patterns. Match data from 30 male and female singles
players from Korea, China, and Japan who competed in the 2025 ITTF World
Table Tennis Championships Finals in Doha were analyzed (103 matches: 49
men’s, 54 women’s). Using Dartfish, rally-based event data (Hand, Skill, &
Direction) were extracted. After preprocessing, DBSCAN clustering identified
recurring tactical patterns, and K-means was applied under identical conditions
to examine convergence validity. Based on these clusters, each player’s tactical
pattern ratios were calculated to classify play styles, with silhouette
coefficients(>.75 is the best) used to assess clustering quality. Subsequently,
after dimensional reduction (PCA), meta-clustering is performed with HDBSCAN
to further analyze per-player clustering. Preparation and clustering in Python
was performed in Python. Consisting of 18,204 rally data, DBSCAN clustering
generated 61 clusters and 9,294 outliers. Out of the remaining 8,910 rallies, 5,365
score-related rallies formed 33 clusters, while 3,545 non-score rallies formed 28 clusters. Using 33 score clusters, we calculated the ratio of each player's tactical
pattern. Cluster quality was assessed by silhouette factors: DBSCAN was 0.724,
and K-means were 0.752. Based on these clusters, players were categorized
according to common tactical patterns. The result was a high consistent
preference for specific hand (forehand/backhand) or shot directions, which
allowed us to objectively differentiate tactical trends. Meta-clustering
grouped players, into three different play style types, with a silhouette
coefficient of 0.534, confirming the stability of the cluster. This study compared
tactical trends using DBSCAN clustering to quantify hand and hitting directions
and identify player-specific tactical patterns. Convergence validity between
DBSCAN and K-means was validated. In addition, meta-clustering combining
PCA and HDBSCAN was applied to classify player types to objectively
distinguish tactical characteristics and play styles.

목차 (Table of Contents)

• I. 서 론 1
• 1. 연구의 필요성 1
• 2. 연구 목적 4
• 3. 연구 문제 4
• 4. 용어의 정의 5
• II. 이론적 배경 6
• 1. 스포츠 경기분석 6
• 2. 탁구의 경기적 특징과 경기분석 8
• 3. 탁구 플레이스타일과 선수 유형 9
• 4. 스포츠 데이터의 군집분석 10
• III. 연구 방법 13
• 1. 연구 대상과 연구 범위 13
• 2. 분석 도구 14
• 3. 분석 변인 16
• 4. 연구 절차 18
• IV. 연구 결과 26
• 1. DBSCAN 군집화 기반 전형 탐색 및 군집 타당성 검증 26
• 2. 전형 군집 최적화 및 타당성 검증을 위한 K-means 군집화 29
• 3. 선수별 전형 분포 비율 분석 33
• 4. PCA 및 HDBSCAN 군집화 기반 선수 유형 분류 35
• Ⅴ. 논의 및 연구의 제한점 39
• 1. 논의 39
• 2. 연구의 제한점 44
• Ⅵ. 결론 및 제언 45
• 1. 결론 45
• 2. 제언 46
• 참고문헌 47
• Abstract 51