Do you love football -- the NFL Draft, fantasy football and football video games? Then, start following Joseph Bryan of Koalaty Statistics on Twitter!Do you love football -- the NFL Draft, fantasy football and football video games? Then, start following Joseph Bryan of Koalaty Statistics on Twitter!Do you love football -- the NFL Draft, fantasy football and football video games? Then, start following Joseph Bryan of Koalaty Statistics on Twitter!Do you love football -- the NFL Draft, fantasy football and football video games? Then, start following Joseph Bryan of Koalaty Statistics on Twitter!Ami il calcio: il Draft NFL, il fantasy football e i videogiochi di football? Quindi, inizia a seguire Joseph Bryan di Koalaty Statistics su Twitter!
Negli ultimi due anni, lo seguo Statistiche Koalaty su Twitter, interessato alle analisi e alla modellazione predittiva dei dati calcistici lì twittati nei thread. A volte i dati che vengono esplorati e analizzati provengono da videogiochi, come Madden Football di EA Sports , che pubblica le proprie valutazioni di giocatori e squadre. (Ho un figlio adolescente che ama sia il calcio che i videogiochi che mi insegna queste cose.)
Con il calcio che riprenderà presto, ho inviato un DM alla persona dietro l'account, identificata nella biografia come specialista di analisi con una laurea in statistica presso l'Università della Georgia. Si scopre Koalaty Statistics ( @KoalatyStats ) è Joseph Bryan, ed è stato così gentile da parlarmi un po' di se stesso e di cosa sta combinando.
Nato e cresciuto in Georgia, Joseph ama il calcio, sia il college che la NFL. Mentre aveva programmato di studiare ingegneria meccanica all'Università della Georgia, ha cambiato la sua specializzazione dopo che il professore per il suo corso di statistica di base ha insegnato concetti applicando la statistica al calcio. Andando avanti di qualche anno, questo specialista di analisi con una laurea in statistica ha un seguito per quella che chiama la sua "interpretazione da nerd del calcio basata sulla regressione".
Ha avuto modo di lavorare con i dati per la prima volta in una "applicazione del mondo reale" durante uno stage in ingegneria della qualità presso Caterpillar. L'anno scorso ha lavorato come ingegnere della qualità per Masterack in Georgia, dove ha contribuito a introdurre l'analisi dei dati nella struttura e ha guidato progetti con risparmi stimati di oltre $ 200.000 all'anno (!).
Si è sposato all'inizio dell'estate e si è trasferito a Filadelfia con la moglie, che sta ottenendo un dottorato di ricerca in economia all'Università della Pennsylvania. E ora è alla ricerca di un lavoro come analista di dati nella sua nuova città. Nel frattempo, ha condiviso analisi su Koalaty Statistics.
Ci parli delle statistiche di Koalaty? Che cos'è e quando/come/perché l'hai iniziato?
OK, quindi alcuni anni fa, ho frequentato un corso chiamato Regressione lineare applicata, che era il mio corso preferito all'UGA. Il mio professore, Mark Werner, è stato fantastico e mi ha fatto davvero amare la regressione. Quella era una lezione primaverile e volevo applicare ciò che avevo imparato a ciò che amo (il calcio). Così, ho iniziato a lavorare su una regressione per prevedere il Draft NFL. Il draft è un enorme evento NFL che si tiene ad aprile e una delle mie cose preferite. Volevo prevedere la bozza prima che accadesse o almeno provare. Ho creato una regressione ed è andata bene, ma niente di straordinario. Ho raccolto tutti i dati manualmente (non avevo nessuna delle competenze che ho ora) e ci sono volute circa 30 ore per ottenere tutto in modo utilizzabile.
È passato un po' di tempo e si è avvicinata la mia laurea, ho pensato: "Dovrei iniziare a usare la mia laurea per cose di calcio... forse alle persone su Twitter importerà". Ho usato le mie abilità/metodi statistici più raffinati e ho fatto il Draft NFL 2018 per running back con *fantastico* successo. Ho previsto la brutta copia con un .67 R^2 prima che accadesse. Ero super orgoglioso e ho iniziato a sviluppare un piccolo seguito. Soprattutto, grazie a Peter Howard ( @pahowdy ) che è stata la prima persona a RT il mio lavoro.
Da lì, ho iniziato ad applicare i miei metodi/abilità a qualcosa di più della semplice bozza. Pensavo di aver bisogno di un nome, e il mio soprannome al liceo era Koala... così si è formato Koalaty Statistics. Ho iniziato a lavorare con la regressione in DFS (Daily Fantasy Sports), cose come DraftKings e FanDuel, e il mio seguito è cresciuto molto. In questo momento, sono a circa 1.803 follower, il che è un sacco per una visione da nerd del calcio basata sulla regressione. Quando ho iniziato, non avrei mai pensato di superare i 100 follower. Tutto è iniziato con il Draft NFL. Ma si è evoluto in quasi qualsiasi cosa basata sulla regressione (all'interno del calcio). Mi piace prevedere DFS, che è essenzialmente su base gioco-gioco.
Toward the end of 2018, Joseph Bryan made this Bayesian model using JMP. It predicted whether a running back would be “good” or “bad.” Good = above the avg FP (fantasy points) scored & Bad = below the avg FP scored. The goal was to add another variable to a larger ensemble model that predicted weekly success. The X axis is FP scored in a single game.Toward the end of 2018, Joseph Bryan made this Bayesian model using JMP. It predicted whether a running back would be “good” or “bad.” Good = above the avg FP (fantasy points) scored & Bad = below the avg FP scored. The goal was to add another variable to a larger ensemble model that predicted weekly success. The X axis is FP scored in a single game.Toward the end of 2018, Joseph Bryan made this Bayesian model using JMP. It predicted whether a running back would be “good” or “bad.” Good = above the avg FP (fantasy points) scored & Bad = below the avg FP scored. The goal was to add another variable to a larger ensemble model that predicted weekly success. The X axis is FP scored in a single game.Toward the end of 2018, Joseph Bryan made this Bayesian model using JMP. It predicted whether a running back would be “good” or “bad.” Good = above the avg FP (fantasy points) scored & Bad = below the avg FP scored. The goal was to add another variable to a larger ensemble model that predicted weekly success. The X axis is FP scored in a single game. Verso la fine del 2018, Joseph Bryan ha realizzato questo modello bayesiano utilizzando JMP. Prediceva se un running back sarebbe stato "buono" o "cattivo". Buono = sopra la media FP (punti fantasia) segnato e Cattivo = sotto la media FP segnato. L'obiettivo era aggiungere un'altra variabile a un modello di insieme più ampio che prevedesse il successo settimanale. L'asse X è FP segnato in una singola partita.
Come hanno risposto i tifosi di calcio alle statistiche di Koalaty?
Di solito, "sgomento" come "come ha fatto a prevederlo un mese prima che accadesse?" O quando prevedo un giocatore di successo in una determinata settimana, le persone sono abbastanza felici. Il che è davvero divertente! I momenti più belli sono quando le persone vedono quello che faccio e sono abbastanza interessate da DM per saperne di più sui metodi statistici.
Quale speri sia il risultato di Koalaty Statistics?
L'obiettivo finale è aiutare le persone a imparare le statistiche in modo divertente. Ogni volta che qualcuno mi chiede per cosa sono andato al college e io dico "statistica", *sempre* dice "Ewwww, è difficile/noioso" (o qualche variante). Le statistiche sono COSÌ divertenti, interessanti e, una volta che impari abbastanza, possono essere follemente utili.
Vinci sempre nel fantacalcio?
Ahah, a volte. I miei modelli non sono perfetti il 100% delle volte, nessun modello lo è. Sto ancora lavorando su tutto e spero che un giorno ci riuscirò. Ho avuto settimane in cui il mio modello era quasi perfetto, ma ho anche avuto settimane in cui il mio modello a malapena ha ottenuto qualcosa di corretto.
Cosa ti piace di più delle statistiche?
L'unico motivo per cui ho scambiato le major al college era perché pensavo: "Con le statistiche, posso prevedere il futuro" e in una certa misura è vero. È come un superpotere e non tutti vogliono un superpotere?
Come hai iniziato a usare JMP? Perché lo usi ora?
Mi è stato presentato per la prima volta JMP nel mio corso di regressione lineare applicata all'UGA. Ci è stato insegnato come usare sia R che JMP in quel corso. Uso ancora entrambi oggi, ma principalmente JMP per la sua fantastica visualizzazione e capacità di rete neurale. JMP semplifica la maggior parte degli strumenti di regressione, rendendo molto facile provare più approcci diversi a un problema in un breve lasso di tempo.
Cos'altro potrebbe piacere sapere di te alla gente?
Quando il calcio non è attivo, mi piace guardare il softball NCAA e il basket NBA. Facevo parte della Redcoat Marching Band all'UGA dove suonavo il trombone. Sono anche un Eagle Scout. Infine, durante il mio ultimo anno alla UGA, ho insegnato un corso di programmazione ai bambini dell'asilo per un programma di doposcuola in una scuola locale.
