Lautsprecher | Abschrift |
| Christian | Vielen Dank, Leute, dass Sie heute hier beim JMP Discovery Summit, der virtuellen Version, dabei sind. Mein Name ist Christian Stop. Ich bin ein JMP-Systemingenieur. |
| Und heute gesellt sich mein Kollege Don McCormack zu mir, der ebenfalls leitender Systemingenieur bei JMP ist. |
| Und Sie sind wahrscheinlich hierher gekommen, weil Sie den Titel des Vortrags gesehen haben. Und du hast gesehen, das war … du bist ein Baseball-Fan von Major League Baseball-Spielern und wolltest dabei sein |
| oder Sie haben gesehen, dass es um den funktionalen Datenexplorer geht, und Sie wollten ein bisschen mehr darüber erfahren, wie Sie den funktionalen Datenexplorer in verschiedenen Umgebungen einsetzen können. Also werden wir diese beiden Themen heute heiraten. Don und ich und |
| Ich werde mein Gespräch zunächst etwas mehr auf die Baseballfans ausrichten. |
| So wie wir unter Baseballspielern und Baseballfans eine Art gemeinsame Unterhaltung führen, denken Sie vielleicht darüber nach, wie |
| Ihr Lieblingsspieler tut relativ zu anderen Spielern und Sie haben vielleicht mit Ihren Freunden diese Gespräche und hoffentlich werden sie, Sie wissen schon, höflich gehalten |
| darüber, wer dein Lieblingsspieler ist und warum. |
| Und so stellte ich mir diese berüchtigte Unterhaltung zwischen Alex Rodriguez und Varitek vor, in der es nur darum ging, wer … Notizen darüber verglichen, wer ihr Lieblingsspieler war. |
| Und so begann für mich mein Ursprung, und wie der von Don, einfach damit, eine Liebe für Baseball zu haben und |
| Interesse an den Baseball-Statistiken, die Sie auf der Rückseite der Kaugummikarten finden, die wir früher gesammelt haben. |
| Und wenn Sie diese Gespräche darüber führen, wer Ihr Lieblingsspieler ist, werden Sie vielleicht feststellen, dass Spieler sich darin unterscheiden, wie gut sie sind, aber auch in unterschiedlichen Dingen, wie zum Beispiel, wenn sie älter werden … |
| wenn sie älter werden, wo sie ihren Höhepunkt erreichen, wie wo die Leistung mit der Zeit nachlässt. Und wenn Sie vielleicht wie ich über die Karrierewege dieser Spieler nachdenken, sollten Sie sich fragen: Nun, wie erfasse oder modelliere ich diese Leistung im Laufe der Zeit? |
| Nun, wenn Sie seltsamerweise wie ich sind, entscheiden Sie, dass Sie Statistiken verfolgen wollen, damit Sie genau das tun können. |
| Aber ich würde Sie ermutigen, diesen Weg zu überspringen und klüger als ich zu sein und einfach ein Tool wie den Funktionsdaten-Explorer zu verwenden, um Ihnen zu helfen, diese Statistiken ... statistische Kurven in Zahlen umzuwandeln, die Sie für Ihre Bemühungen verwenden können. |
| Also für diejenigen unter Ihnen, die mit Baseball etwas weniger vertraut sind, aber |
| Was wir sehen werden, sind Daten, die Dinge widerspiegeln, die die Baseballleistung messen. Also werde ich über Positionsspieler und sprechen |
| Position Spieler Schläger. Und so ist eine der Metriken ihrer Schlagkraft der On-Base-Prozentsatz plus der Slugging-Prozentsatz oder OPS. |
| Und so habe ich auf der Y-Achse dieses Maß für ein paar verschiedene Spieler, wenn sie älter werden. Und das Blau ist Babe Ruth und das Rot ist Ted Williams. |
| Und wie Sie sehen können, bekommen Sie aus diesen Verläufen das Gefühl, dass beide über den größten Teil ihrer Karriere in etwa die gleiche Leistungsqualität zu haben scheinen. |
| Aber Sie wissen vielleicht, dass der Höhepunkt für Ted Williams im Gegensatz zu Babe Ruth vielleicht etwas älter zu sein scheint. |
| Und Babe Ruth, es sieht so aus, als hätte er vielleicht nur ein bisschen Zeit gebraucht, um auf den neuesten Stand zu kommen, um zu diesem Maß zu gelangen, wenn Sie sich diese Handlung nur ohne weiteres Wissen ansehen. |
| Es gibt also eine Menge ... das sind nur zwei Spieler unter den Tausenden von Spielern oder Zehntausenden, die Sie vielleicht in Betracht ziehen und vergleichen Sie einfach, |
| Sie können sich vorstellen, dass diese Merkmale ihrer Karrierewege sehr unterschiedlich sind. Es gibt also auch eine klare Variabilität innerhalb der Flugbahn eines Spielers. |
| Also könnte ich hier die Glättungsfunktion des Graph Builder verwenden und das mit diesen Kurven verbundene Rauschen ein wenig glätten, um ein besseres Gefühl für das Signal über die Flugbahn dieses Spielers zu bekommen. |
| Und es stellt sich heraus, dass diese Glättung dem sehr ähnlich ist, was in diesem Prozess vor sich geht, den der funktionale Datenexplorer verwendet. |
| Hier habe ich also einen Funktionsdaten-Explorer und wieder bin ich ... meine Metrik hier ist der Basisprozentsatz plus der Slugging-Prozentsatz, OPS. |
| Und ich schaue nur, um zu sehen ... wie wir diese Spielerbahnen vergleichen, jetzt, in FDE ist, glättet der funktionale Daten-Explorer diese Spielerkurven, wie Sie sehen können, |
| und dann Informationen darüber zu extrahieren, was diesen Kurven gemeinsam ist. |
| Und was Sie jetzt für jeden Spieler dafür erhalten, sind Punkte, die mit der Leistung dieses Spielers verbunden sind. Und so beschreiben diese Ergebnisse den Karriereweg des Spielers auf nette kleine quantitative Weise, die wir mitnehmen und andere Analysen verwenden können, wie wir es tun werden. |
| Es ist nur so, man kann das ein bisschen sehen, das sind Hank Aaron Partituren. |
| Und im Profiler, auf den Sie im Funktionsdaten-Explorer zugreifen können, |
| Sie können tatsächlich ändern ... Sie können sich diese Flugbahn hier für die OPS dieses Spielers im Laufe des Alters ansehen und diese Werte dann ändern, um die Ergebnisse dieses Spielers widerzuspiegeln und eine bessere ... zu replizieren |
| ihre Karriere mit diesen Ergebnissen. |
| Richtig, das ist also ein bisschen über FDE und wie man es hier einsetzt. Sie werden also sehen, wie Don und ich über diese Statistiken sprechen, mit denen wir jetzt ausgestattet sind, |
| diese Spielerergebnisse, die wir aus dem Funktionsdaten-Explorer erhalten, der sie aus den Kurven erhält, mit denen wir begonnen haben. Und so werden wir das verwenden ... etwas, was wir tun, ist Vorhersagen, wie vielleicht den Hall of Fame-Status. |
| Und nicht nur, wer in der Hall of Fame ist, dass sie dorthin gehören, oder interessanter, wie vielleicht, wer sind die Spieler, die in der Hall of Fame sind, die vielleicht nicht sein sollten, weil die Statistiken es nicht unterstützen |
| oder vielleicht Spieler identifizieren, die das Hall of Fame-Komitee anscheinend brüskiert hat. Wir werden also ein wenig über die verschiedenen Metriken sprechen, die wir verwendet haben, und wie wir sie irgendwie überarbeitet haben. |
| Und dann diese Karrierewege mit FDE zu nehmen und dann die Punktzahlen herauszuholen und die Vorhersage zu treffen, wie wir es normalerweise mit anderen Dingen tun würden. |
| Also, wenn Sie Baseball nicht verfolgt haben, die Hall of Fame-Berechtigung ... die Berechtigungsvoraussetzungen sind, dass ein Spieler mindestens 10 Jahre spielen musste, also 10 Spielzeiten, und warten musste ... Sie müssen fünf Jahre vor Ihnen warten sind berechtigt. |
| Und dann hast du 10 Jahre Zeit, in denen du wählbar bist und die Leute dich wählen können. Es gibt also ein paar Spieler, die wir sehen werden, die noch haben ... die immer noch auf den Anruf warten. |
| Die Halle verwendet andere Auswahlkriterien, die in erster Linie darauf abzielen, wie gut der Spieler abschneidet, aber auch diese anderen Dinge berücksichtigen |
| Die von uns verwendete Datenquelle, die Lahman-Datenbank, enthält diese nicht, sodass sie schwer zu messen ist. Wir bleiben also bei Analysen, die ihre statistischen Fähigkeiten auf dem Spielfeld widerspiegeln. |
| Und natürlich, wissen Sie, nach 150 Jahren Baseballspieler, die Baseball spielen, werden Sie vielleicht erkennen, dass sie in verschiedenen Epochen spielen. |
| Deshalb wollen wir sicherstellen, dass wir die Spieler mit ihren Kollegen vergleichen. Und so werden wir das berücksichtigen, wissen Sie, vielleicht das Jahr, in dem sie gespielt haben, |
| oder die Position, die sie gespielt haben, da unterschiedliche Anforderungen damit verbunden sind ... würde typischerweise mit unterschiedlichen Positionen verbunden sein. |
| Und dann haben verschiedene Ligen unterschiedliche Regeln; das wägen wir auch ab. |
| Da werde ich aufhören. Don geht zum Pitching über und dann komme ich zurück und rede über Positionsspieler. |
| donmccormack | Also, wie Christian sagte, ich werde ein bisschen über Pitching sprechen, aber |
| während ich das mache, davor mache ich das, |
| Was ich gerne tun würde, ist, ich möchte einige der Anfangspunkte veranschaulichen, die dieser Christian erwähnt hat. Die Dinge, die gute Daten sind |
| Analysetechniken, Dinge, die wirklich getan werden müssen, unabhängig davon, welche Modellierungstechnik Sie verwenden, |
| Es stellt sich jedoch heraus, dass sie sinnvoll sind, bevor Sie Ihre Daten mit FDE modellieren. Ich werde speziell über das Bereinigen der Daten sprechen, |
| über die Normalisierung der Daten, damit Sie Menschen gleichermaßen vergleichen können, und schließlich über die Modellierung der Daten. Also zur Veranschaulichung, was ich habe ... was Sie gerade auf dem Bildschirm sehen, |
| Wir sehen uns drei sehr unterschiedliche Krüge an, die alle in der Hall of Fame stehen. Die rote Linie ist Nolan Ryan, |
| eine sehr lange Karriere, ungefähr eine 27-jährige Karriere. Die grüne Linie, die mittlere Linie, das ist Hoyt Wilhelm. |
| Einige von euch jüngeren Leuten wissen vielleicht nicht, wer Hoyt Wilhelm ist; er hat von Anfang der 50er bis 72 aufgeschlagen, glaube ich. |
| Ziemlich lange Karriere; erstreckte sich über mehrere Epochen. Er war meistens ein Helfer, aber kein Helfer, wie Sie ihn vielleicht von den Helfern heute kennen. Er ist ein Typ, der, wenn er rausging, um abzulösen, |
| Weißt du, er könnte sechs Innings pitchen. Okay, so sehr, sehr untypisch für die Helfer heute. Die blaue Linie ist Trevor Hoffman, großer Näher für die San Diego Padres. Aber wieder, ganz anderer Krug. Die Frage ist also, was machen wir, wie bekommen wir diese Daten bereit |
| und so eingerichtet, dass wir alle drei dieser Personen gleichermaßen vergleichen können? Als erstes erwähnte ich, dass wir Ihre Daten bereinigen wollen. Übrigens werde ich vier verschiedene Metriken verwenden. Ich werde verwenden |
| WHIP (Walks und Hits pro Innings), Strikeouts pro neun, Homeruns pro neun und eine Metrik |
| Ich habe leicht Called Percent Batters Faced over the Minimum erstellt, wobei ich einfach die Anzahl der Batters Faceds eines Pitchers geteilt durch die Gesamtzahl der Outs genommen habe, die er erhalten hat |
| und eins abgezogen. Die Idee dabei ist, dass es perfekt wäre, wenn jeder Batter, der konfrontiert wurde, es schaffen würde. |
| Okay, ich werde mir diese vier Metriken ansehen. Ich habe verschiedene Kriterien, wie ich meine Normalisierung definiere, |
| in Bezug darauf, wie ich Ausreißer aussortiere, und ich werde ein PowerPoint-Deck hinzufügen |
| Sie können sich die Details ansehen, aber ich werde aus Zeitgründen hier nicht darüber sprechen. Als erstes werde ich also die Daten bereinigen. So werden Sie zum Beispiel feststellen, dass Nolan Ryan im ersten Jahr geworben hat |
| drei Innings aufgeschlagen; sehr, sehr hoch PEITSCHE. Als ein paar Staffeln hier, denke ich, dass Trevor Hoffman |
| eine geringe Menge aufgeschlagen. Ich beginne also damit, die Daten auszuschließen. Das ist schön. Es hat den Bereich geschrumpft und es ist immer gut, die Ausreißer aus den Daten zu entfernen, bevor Sie die Analyse durchführen. |
| Ein weiterer Schritt, den ich erwähnen möchte, ist, dass Sie bei der Verwendung von FDE bei diesen Daten innerhalb der Plattform ein zusätzliches Ausreißer-Screening durchführen können, bei dem, |
| auch wenn Sie mehrere Spalten verwenden, |
| Sie sind nur ein Bildschirm ... Sie schirmen nicht die gesamte Reihe ab; Sie filtern nur die Werte für diese gegebene Eingabe heraus, was eine sehr, sehr nette Funktion ist. Also verwende ich das auch, weil es noch |
| Selbst bei meinem ersten Screening gab es immer noch ein paar Anomalien, die ich beseitigen musste. |
| die Daten bereinigen. Normalisieren Sie es ist die zweite. Was ich also durch Normalisierung getan habe, ist, dass ich im Grunde genommen auf der X-Achse normalisiert habe. Und ich habe auf der Y-Achse normalisiert. So, |
| Was wir uns hier ansehen, ist die Anzahl der Jahreszeiten. Jede dieser Saisons wird also als separates Ganzes betrachtet, aber wir alle wissen, dass einige Pitcher in manchen Saisons mehr Innings werfen als in anderen Saisons. |
| Anstatt also Saisons als meine Einheiten zu betrachten, werde ich mir den kumulativen Prozentsatz der Karriereausfälle ansehen. Also ich weiß das, ich weiß, dass Pitcher am Ende der Saison so viele kumulative Karriere-Outs gemacht haben, und das ist ein bestimmter Anteil da draußen, die ganze oder gesamte Karriere |
| aus. Also werde ich das verwenden, um meine Daten zu skalieren. Das Tolle daran ist, Sie werden feststellen, dass jetzt alle drei Krüge auf dem gleichen sind |
| x-Skala. Alles, alles ist von null bis eins skaliert. Also, wirklich schön... |
| Vom Standpunkt der FDE-Analyse aus eine wirklich nette Sache. Und schließlich möchte ich auch auf der Y-Achse skalieren. |
| Und alles, was ich getan habe, ist, dass ich den WHIP durch den durchschnittlichen WHIP für den Pitcher-Typ und für die Ära geteilt habe, in der sie gepitcht haben. Also habe ich eine relative WHIP. Das andere Schöne an der Verwendung dieser relativen Werte ist das |
| Ich weiß, wo meine Linie im Sand ist. Ich weiß, dass ein Pitcher mit einem relativen WHIP von eins ein durchschnittlicher Pitcher ist. In diesem Fall werde ich also nach den Typen suchen, die werfen |
| mit WHIPs unter einem. Sie werden also feststellen, dass alle drei Pitcher die meiste Zeit ihrer Karriere unter dieser Linie standen. Jetzt ist das letzte, was ich tun werde, |
| Ich möchte meine FDE verwenden, um diese Flugbahn, die Flugbahn, zu modellieren. Nun, eines der Probleme bei der Verwendung der Daten, wie sie sind, sind die beiden Probleme bei der Verwendung der Daten, wie sie sind. Einer ist, dass es ziemlich holprig ist, |
| und es wäre wirklich schwer einzuschätzen, wie der Karriereweg mit all diesen Höhen und Tiefen ist. Das Zweite ist, |
| Letztendlich möchte ich diese Metrik verwenden, die ich aus der FDE generiert habe, diese Flugbahn, um eine allgemeine Karriereschätzung zu erhalten. Anstatt also auf meine Jahreszeiten oder auf meine kumulierten Prozente zu schauen |
| diskrete Einheiten, ich möchte in der Lage sein, dies über die gesamte kontinuierliche Karriere hinweg zu modellieren. Und das werden wir etwas später sehen. Also werde ich meine ersetzen |
| Prozent mein ... es tut mir leid wegen ... bedingter ... meiner WHIP, meiner meiner relativen WHIP mit dieser bedingten FDE-Schätzung. Nun, Sie haben vielleicht gesehen, wie ich zu diesen beiden zurückgekehrt bin, Sie könnten sagen, oh Junge, das ist was für ein ... was für ein |
| Was für ein großer Unterschied zwischen den beiden, macht das wirklich einen guten Job? Irgendwie schwer zu sagen aus dieser Grafik. Also, also was ich, was ich tun möchte |
| Ich werde Ihnen tatsächlich zeigen, wie das aussieht. Also hier, was ich getan habe, ist, dass ich hochgezogen bin |
| die, die, die, die diskreten Werte. Das ist übrigens Nolan Ryan. Die diskreten Messungen für Nolan Ryan, zusammen mit seiner Kurve für seine für seine |
| Bei der bedingten FDE-Schätzung werden Sie sehen, dass sie nicht demselben gezackten Pfad oder holprigen Pfad folgt, aber sie leistet gute Arbeit beim Schätzen |
| was sein beruflicher Werdegang ist. Und überhaupt mit seiner PEITSCHE |
| hoch, am Anfang ging er mit vielen Leuten spazieren, war ein sehr, sehr wilder Werfer, viel wilder am Anfang seiner Karriere, ob Sie es glauben oder nicht. |
| Aber im Laufe seiner Karriere wurde das besser. Und das sehen Sie in jedem der Krüge, die ich ausgewählt habe. Also zum Beispiel, wenn ich gehe, gehen wir zu Hoyt Wilhelm. |
| Hier ist Wilhelm. Auch hier fängt es nicht die absoluten Höhen und Tiefen ein, aber es macht einen guten Job, die allgemeine Richtung zu modellieren, wohin seine Karriere ging. |
| Okay, also lass uns das benutzen, um zu fragen. Ich habe nur eine begrenzte Zeit. Ich wünschte, ich hätte mehr Zeit, denn es gibt nur ein paar nette Dinge, die ich dir zeigen kann. |
| Aber ich ... ich fange mit dem an, was ich die Brüskierten nenne. Okay, das sind also die Spieler, die ... also habe ich FDE für diese vier Metriken verwendet, die ich erwähnt hatte. |
| Ich verwende diese als Eingaben, zusammen mit dem Pitcher-Typ, und ich habe eine ganze Reihe von prädiktiven Modellierungstechniken ausprobiert. Die beiden, die für mich am besten funktionierten, waren naive Bayes |
| und diskriminierende Analyse. Und ich verwende diese beiden Modellierungstechniken, um mir zu sagen, wer reingekommen ist ... wer reingehört und und und und wer nicht |
| und und das ist es, was wir hier sehen, wir sehen uns diese Krüge an, bei denen sowohl die naiven Bayes als auch die diskriminierende Analyse ja sagten, |
| aber die Hall of Fame sagte nein. Das sind also meine ... diese Brüskierung. Sie werden das also in diesem Fall bemerken ... und lassen Sie mich zu diesem wechseln. Das sind die Anwendungen. Dies ist die relative PEITSCHE. Kommen wir zum bedingten WHIP. |
| Und lassen Sie mich fortfahren und diese Referenzlinie wieder bei eins einfügen, und Sie werden sehen, dass dies zum größten Teil Pitcher sind, die den größten Teil ihrer Karriere verbracht haben |
| unter dieser einen Zeile. Nun, die andere Sache, an die Sie vielleicht denken könnten, wenn Sie sich diese Daten ansehen, ist dies |
| Wow, es wäre wirklich schwer, diese Spieler voneinander zu unterscheiden. Wie vergleiche ich das jetzt, wenn ich, sagen wir, ein paar Krüge, die in der Halle standen, hinstellen würde |
| auch in dieser Liste. Ich meine, sie wären ... es wäre schwer, sie nur dadurch zu trennen |
| sie anstarrend, weil sie einige ihrer Karrieren besser wären als andere, und sie würden andere Teile ihrer Karriere wechseln. Wie gehe ich damit um, wie gehe ich beruflich damit um? |
| Wie ich bereits erwähnt habe, ist eines der netten Dinge am Funktionsdaten-Explorer, dass ich diese Daten nehmen kann, |
| und ich kann, ich kann, ich kann einen Karriereweg schaffen. Schätzen Sie eine ganze Reihe von Datenpunkten entlang dieser Karrierelaufbahn. Und ich tat, dass ich Karrieren tatsächlich in 100 aufteilte |
| Einheiten und ich summierte all diese hundert Einheiten für jede meiner Kurven. Also im Grunde habe ich so etwas wie eine Fläche unter der Kurve bekommen. |
| Wenn es über dieser einen Linie wäre, würde ich subtrahieren, wenn es unter dieser einen Linie wäre, würde ich ... es tut mir leid ... wenn ich über dieser Linie wäre, würde ich hinzufügen; unter der Linie würde ich subtrahieren. |
| Und wenn wir uns die gesamten Karrierewege ansehen … das ist eine, das ist eigentlich … das ist eine längere Liste. Das sind ungefähr 1300 oder 1400 Krüge, also absolut jeder, der... |
| absolut jeder, der für die Halle geeignet war, 10 Jahre oder länger. Lassen Sie uns also schnell auf ein paar Dinge eingehen, die wir damit machen können. |
| Fangen wir an ... lassen Sie mich damit beginnen, indem ich mir die Spieler ansehe, die brüskiert wurden. Das sind also … das sind unsere Spieler … das sind meine Spieler, die brüskiert wurden. So |
| Okay, das sind also 100 Werte. Also, so, also wäre die Linie im Sand hier 100, weil ich 100 verschiedene Werte habe, die ich gemessen habe. |
| Sie werden also feststellen, dass diese Spieler größtenteils über 100 waren. Hier ist die Liste der Spieler, die es nicht auf die Liste geschafft haben. Und wenn Sie sich diese Spieler ansehen, |
| Sie werden feststellen, dass es hier ein paar Typen gibt, die offensichtlich sind. Leute wie Curt Schilling und die und die und die Roger Clemens für non non non |
| Karrieregründe für die für die für die für die ... dass einige der anderen Kriterien, die Christian erwähnt hat, nicht darin enthalten sind. Aber es gibt einige Typen, zum Beispiel Clayton Kershaw, der mit seiner Karriere immer noch nicht fertig ist. |
| Aber es gibt sicherlich andere Leute, die Sie in Betracht ziehen könnten ... die für Hall geeignet sind. Also schauen wir uns das eigentlich auch an. Schauen wir uns also die Leute an, die für die Halle geeignet sind, die nicht in der Halle waren ... |
| BJ Ryan; wieder ist Curt Schilling dabei; Johan Santana, nicht sicher, warum er es nicht in die Halle geschafft hat; Smokey Joe Wood, Krug aus den Anfängen des 20. Jahrhunderts; usw. So, |
| Die Fähigkeit von FDE, mir zu ermöglichen, Werte von überall entlang ihrer Karrierelaufbahn zu extrahieren, ist ein zusätzliches Werkzeug für mich, um einige schätzen zu können |
| zusätzliche Kriterien, wer in die Halle gehört und wer nicht in die Halle gehört. So, genug gesagt über die Kannen. Lasst uns … ich werde es wieder an Christian zurückgeben, damit wir ein bisschen mehr über die Positionsspieler sprechen können. |
| Christian | Exzellent. Danke, Don. |
| Recht. |
| Okay, also sprach Don über das Pitchen … die Pitcher und ich schaue, ich schaue mir die Position an |
| donmccormack | Spieler, und so gibt es zwei verschiedene Komponenten, die darin einfließen. |
| Christian | Sie haben Ihre, Ihre Schlag- und Feldfähigkeiten, und ich habe eine etwas andere Meinung als Don, was das betrifft |
| Statistiken anschauen und dann Modelle bauen. Am Ende habe ich mit nur vier der gebräuchlicheren Schlagstatistiken begonnen, und das sind die ersten vier auf der Liste hier, einige von denen, die Sie auf der Rückseite von Baseballkarten finden würden. |
| Und dann, als ich vorankam, brauchte ich, wie wir sehen werden, etwas, um gestohlene Basen zu erobern, weil die ersten vier nicht wirklich ... tun das überhaupt nicht. |
| Und so habe ich eine Metrik erstellt, die ich Base Unit Average nenne, die in andere Base-Runner-Bewegungen einfließt, die … um dem Batter für diese Dinge Anerkennung zu zollen. Und dann ist das Fielding natürlich ein Faktor, wie wir sehen werden, also habe ich ein paar Metriken für das Fielding aufgenommen. |
| Und so wie Don, wie gerade zuvor erwähnt, wollte ich sicherstellen, dass ich Äpfel mit Äpfeln vergleiche, also schaue ich |
| in bezug auf position und liga und jahr dazu die von mir genannten statistiken. Und wann dann |
| wie Don wollte ich sicherstellen, dass II diese kleineren Probengrößen angemessen gewichtete, damit sie das System nicht verklebten. Und so gewichtete ich schließlich die Leistung der Spieler im Verhältnis zur Anzahl der Plattenauftritte im Verhältnis zum Durchschnitt für dieses Ligajahr |
| bei einem bestimmten Lineup-Slot, wie viele Plate-Auftritte dieser Slot im Laufe der Saison bekommen soll. So werden sie also gewichtet. |
| Recht. Also lasst uns, lasst uns sehen, wie das aussieht. Wir werden zurückgehen und Ted Williams hier wieder besuchen. |
| Wir haben hier also die Karriere von Tim Williams auf der linken Seite, wie wir gesehen haben, und das sind die Rohergebnisse. |
| Und dann sieht es so aus, als hätte er hier eine wirklich schlechte Saison gehabt. |
| Aber wenn Sie einmal eine relative Komponente davon nehmen, können Sie sehen, dass es tatsächlich eine durchschnittliche Saison wie Don ist, es liegt immer noch über dieser durchschnittlichen Linie von eins. Und so war es für Ted Williams nach seinen eigenen Maßstäben nur eine Art schlechte Saison. |
| Und dann haben wir vorhin gesehen, dass diese beiden Höhepunkte für Ted Williams seiner Höchstleistung ähnlich gewesen sein könnten, aber es stellt sich heraus, dass dies Saisons sind, in denen er aufgrund seiner weniger Proben … von gespielten Auftritten hatte |
| ...in den Koreakrieg ziehen. Also hatte er am Ende diesen Einfluss auf seine Punktzahl. Aufgrund der kleineren Stichprobenumfänge habe ich entsprechend wieder in Richtung Durchschnitt gewichtet. |
| So, |
| Das ist, wie wir, die Arten von Daten. Ich werde mich in meinem Gespräch hier nur auf die relativen Statistiken konzentrieren und mich nur auf einige der Dinge konzentrieren, die mir aufgefallen sind. |
| Na, bitte. Und das werden wir tun. |
| Benötigen Sie die Zahlentabelle hier, um einzuspeisen |
| von der FD. Hier sind also die Werte, die wir uns ansehen werden, die relativen FPC-Werte der FDE. |
| Und was das erste, was ich sah, war, dass ich vier Variablen in mein Modell aufgenommen habe, diese ersten vier Schlagstatistiken, und |
| Ich wollte nur sicherstellen, dass ich die richtigen Komponenten in meiner, in meiner Analyse habe. Auf der linken Achse steht hier also die modellgetriebene Wahrscheinlichkeit, in die Hall of Fame aufgenommen zu werden. |
| Nun, was ... entschuldigen Sie, das ist die y-Achse, auf der x-Achse steht, ob die Person tatsächlich in der Hall of Fame ist oder nicht. Und so sind meine Fehlklassifizierungsbereiche diese beiden Abschnitte hier. |
| Und ich bemerkte, dass einige Spieler mehr hier unten waren, als ich erwartet hatte. Also habe ich nachgeforscht und wir könnten Variablen untersuchen, die ich noch nicht berücksichtigt habe, wie zum Beispiel gestohlene Basen. |
| Und so werde ich diese für Farbe und Größe einsetzen. |
| Und wie Sie sehen können, |
| Es schien mir ziemlich klar zu sein, dass gestohlene Basen definitiv ein Faktor sind, den die Wähler der Hall of Fame berücksichtigen. Diese sind... |
| Farbe und Größe sind also relativ zur Anzahl der gestohlenen Basen im Laufe ihrer Karriere. Und das hat mich dazu bewogen, diese Basiseinheits-Durchschnittsstatistik zu erstellen, die ich dann verwendet habe. |
| Als ich also diese Modelle erkundete, begann ich, wie ich es beschrieben hatte, mit vier Statistiken und fügte dann diese BUA-Statistik hinzu. Das ist jetzt meine X-Achse. |
| Und dann fügte ich Feldstatistiken hinzu und wir haben hier eine parallele Darstellung, bei der die y-Achse wieder ... eine Wahrscheinlichkeit des Modells ist, die darauf hindeutet, dass der Spieler in der Hall of Fame sein sollte, und jede der Linien ist jetzt ein Spieler. |
| Und so repräsentiert die Farbe ihren Status in der Hall of Fame. Rot ist ja, es wurden bereits zugelassen, und blau ist nein. |
| Und deshalb mag ich diese Handlung, weil ich sehen kann, wer sich bewegt. Wenn ich die Auswirkungen dieser zusätzlichen Variablen im Modell sehen kann. |
| Und natürlich ist das erste, was mir aufgefallen ist, dieser Typ hier, der so auftauchte, dass er nicht wirklich war |
| zum Hinzufügen der gestohlenen Basiskomponente, und wir können sehen, dass er mit hoher Wahrscheinlichkeit in die Hall of Fame gewählt wird und so dazugehört, je nachdem, wie Sie es betrachten. Und es ist Ricky Henderson, der zufällig der Karriereleiter von gestohlenen Basen ist. |
| Nun, ein anderer Spieler, und nur um die defensive Seite der Dinge zu betrachten, ist Kirby Puckett, dessen anfängliche Statistiken darauf hindeuten, dass, basierend auf dem ursprünglichen Modell, |
| dass er es schafft; er ist auf ganzer Linie ausreichend qualifiziert. Aber dann, weißt du, zurück, wenn du die gestohlene Basiskomponente hinzufügst, |
| Ja, er scheint sich tatsächlich nicht mehr zu qualifizieren. Und schließlich haben wir die Tatsache hinzugefügt, dass er ein wirklich guter Feldspieler ist, er hat eine Reihe von goldenen Handschuhen gewonnen, als er für die Zwillinge im Mittelfeld spielte, |
| Wir sehen, dass er wieder in der Gunst des Hall of Fame-Komitees steht und zu Recht gewählt wurde. |
| Das ist irgendwie ein chaotisches Modell. |
| Kein unordentliches Modell, und Sie haben hier eine Menge Sachen gemacht. So, |
| Am Ende fügte ich meinen lokalen Datenfilter hinzu, damit ich jede Position einzeln betrachten konnte. |
| Und hier für die erste Basis ist es viel einfacher zu sehen, dass wir die Leute in Rot und dann in Blau haben. Jetzt haben wir jemanden hier, das ist Todd Helton, zumindest in allen Modellen, die wir uns angeschaut haben |
| schlagen vor, dass er in die Hall of Fame aufgenommen werden sollte, und er ist immer noch berechtigt. Also wartet er immer noch auf den Anruf. |
| Aber jemand wie Dick Allen, da ist auch Blau, nicht drin. Seine Zahlen, zumindest basierend auf den zusammenfassenden Statistiken, den FDE-Statistiken, die wir verwenden, und den Modellen, die darauf hindeuten, dass er es nicht sollte ... er gehört in die Halle. |
| Und es gibt andere Leute, die ganz unten rot sind, wie Jim Thome, von dem die Models behaupten, dass er nicht wirklich dazugehört, aber er wurde gewählt. |
| Es gibt also verschiedene Möglichkeiten, diese unterschiedlichen Beziehungen zwischen ihnen zu untersuchen, wenn wir diese Prädiktoren hinzufügen. |
| Jetzt wollte ich wie Don ein Gefühl dafür bekommen, wer, wer brüskiert wurde und wer vielleicht begabt war |
| oder hatte zumindest, wissen Sie, nicht statistisch orientierte Komponenten in seiner Betrachtung. |
| Und so führte ich, wie Don, eine Reihe von Modellen durch und entschied mich für vier Modelle, die ich mochte und die beste Arbeit leistete ... Vorhersagearbeit, und wie Don, anstatt nur das Alter zu verwenden |
| In meiner FDE als X-Achse habe ich auch einen kumulativen Prozentsatz gespielter Auftritte zugrunde gelegt. Und das wäre ... diese beiden verschiedenen Varianten zu haben, gab mir eine Reihe von Modellen zum Anschauen. Und so habe ich mir nur die Leute angesehen, die bei allen acht Modellen |
| sind in der Hall of Fame, aber keines der Modelle schlägt vor, dass sie es sein sollten. Und das ist diese Zeile hier. Davon gibt es 31. |
| Und die Rückseite, die ich hier in Grün habe, die Leute, die die Models in einem der Eimer sind ... die Mehrheit der Models in jedem Eimer des Alters im Vergleich zu Kimball unterscheiden sich in Prozent der Plattenauftritte, die darauf hindeuten, dass sie in die Hall of Fame gehören, aber Sie sind nicht. Also zog ich all diese Leute heraus |
| und genau wie Don es wollte, vergleichen Sie einfach, wie ihre Flugbahnen aussehen |
| und gibt es ... sind sie zumindest in der Nähe, oder ist hier etwas anderes los? |
| Und so können Sie sehen, dass dies wieder der On-on-Base-Prozentsatz plus der Slugging-Prozentsatz OPS ist. Es sieht auf jeden Fall so aus, in Rot und den Pluszeichen, dass die Leute, die brüskiert wurden, aufgetreten sind |
| viel besser in dieser Metrik, und wie sich herausstellt, ist jede andere offensive Statistik besser als die begabten Leute, die Leute, die dabei sind, aber das Modell vorschlägt, sollten es nicht sein. |
| Und das brachte mich zum Nachdenken: Nun, sind es nur die Offensivstatistiken, und vielleicht ist das Feld, wo die, die, die Leute, die bereits dabei waren, glänzen? Und basierend darauf, wie viel Prozent mindestens eingesetzt werden, deutet es tatsächlich darauf hin, dass das immer noch der Fall ist, wo ... |
| eigentlich ist das diese brüskierte Leute. |
| Die begabten Leute sehen immer noch so aus, als wären sie... |
| Sie gehören nicht unbedingt so sehr dazu wie diese brüskierten Leute. |
| Nur bei der Reichweitenfaktorkomponente kehrte sich die Flut um. Und so sehen Sie am Ende, dass die begabten Leute die brüskierten Leute überwiegen, die bessere Leistungen erbracht haben. |
| Das ist eine weitere andere Einstellung, ähnlich der von Don, die Sie zur Bewertung verwenden können |
| nur welche Komponenten in Ihrem Modell enthalten sind. |
| Es gibt viele verschiedene Möglichkeiten, wie wir die Daten hier betrachten können. |
| Also nur zum Abschluss, weil ich sicher bin, dass einige von Ihnen nur darauf brennen zu wissen, wer von diesen Leuten brüskiert und wer begabt ist. |
| Dies sind einige der Leute, die brüskiert wurden, zumindest unter den Positionsspielern, und wie Don bei einigen seiner Pitcher erwähnte, gibt es ein paar dieser Leute, die vom Baseball ausgeschlossen sind, also sind sie nicht gerade brüskiert. |
| Sie erkennen wahrscheinlich einige davon wieder. |
| Und dann sind dies einige der Spieler, die begabt waren, oder zumindest ist es das Kriterium ihrer Statistiken allein ... es war vielleicht nicht das, was sie in die Hall of Fame gebracht hat. |
| Richtig, also fassen wir einfach zusammen, wo wir waren, wir waren in der Lage, die Karrierewege dieser Spieler in Bezug auf ihre Leistung zu verfolgen ... wählen Sie eine Metrik aus |
| und geben Sie das in den Funktionsdaten-Explorer ein und erhalten Sie numerische Zusammenfassungen, die die Essenz dieser Kurven erfassen. |
| Und dann verwenden wir wiederum diese Statistiken, die Ergebnisse, die wir bekommen, um diese in unsere traditionellen statistischen Techniken, mit denen wir vertraut sind, einfließen zu lassen. |
| Und jetzt können wir diese Frage von der Art und Weise, wie Sie den Karriereweg modellieren oder quantifizieren, zu einer Frage ändern, was ich mit diesen FPC-Ergebnissen, die ich habe, untersuchen möchte. |
| Wir hoffen also, dass es Ihnen Spaß gemacht hat, über Baseball und genau diese Interaktion mit Baseball und JMP und FDE zu sprechen. |
| Und ich hoffe, Sie fühlen sich befähigt, das in JMP Pro verfügbare FDE-Tool zu nutzen, um Fragen mit Daten zu beantworten, z. B. wer Ihr Lieblingsspieler ist und warum, und die Mittel haben, es zu sichern. |
| Danke für den Beitritt zu uns. Aufpassen. |
| donmccormack | Okay, wie gehen wir also mit diesen Fällen um, in denen wir uns den Karriereweg von jemandem ansehen müssen? Gibt es andere Metriken, anhand derer wir diese Vergleiche anstellen können? |
| wir diese wirklich feinen Abstufungen auseinanderhalten könnten? Wie ich bereits angedeutet habe, was wir tun können, ist, wir könnten, wir könnten, wir könnten, wir könnten, wir könnten absolut jeden Punkt entlang der Karrierebahn einer Person betrachten |
| mit beliebiger Abstufung, die wir wollen. Und das habe ich getan. Ich habe 100 Datenpunkte genommen, 100 Werte zwischen null und eins, |
| Karrierestart, Karriereende, und all diese Werte habe ich zusammengefasst. Und das habe ich getan ... das Schöne an dieser Technik ist, dass ich sie für mehrere Metriken anwenden kann. Also, was wir jetzt hier sehen, ist, wir schauen auf, wir schauen auf a |
| Diagramm aller vier Metriken. |
| Wir können sie alle in einem Diagramm darstellen. Wir werden noch einmal auf die Gruppe von Leuten zurückkommen, die brüskiert wurden, |
| diese Leute hier. Also das ist so ... also wenn wir uns diese Leute ansehen, |
| wir sehen, dass sie ein Tief hatten ... übrigens 100 in diesem Fall, weil es 100 Beobachtungen gab. |
| hundert Homeruns pro neun, so niedrig willst du; |
| Prozent Schläger konfrontiert über dem Minimum, niedrig; und dann die Strikeouts über neun Innings, die Sie auf der hohen Seite wollen. Sie werden feststellen, dass dies eine Art Flugbahn ist |
| dass die Leute folgen. Nun, das Interessante an diesem Punkt ist, dass ich das kann, was ich kann |
| Verwenden Sie alle Kriterien, die ich möchte. Sagen wir zum Beispiel, ich schaue mir an … Ich werde alle meine Spieler betrachten und ich möchte nur die Leute berücksichtigen, die es getan haben |
| Ein WHIP, der in diesem Fall unter 100 lag ... also besser als das ... das ist eigentlich das ... macht es sogar besser als das. Sagen wir 90 oder darunter. |
| Okay, schauen wir uns also die Leute an, die, wissen Sie, zumindest die durchschnittliche Anzahl von Strikeouts pro neun Innings haben, und vielleicht liegt ihre Schlagmannquote pro ... Prozent Schlagmanngegenüber von über 100 bei einem Minimum. |
| Und so, und ich werde Homeruns für neun hier außer Acht lassen. Ich könnte auch die Anzahl der Jahreszeiten standardisieren und normalisieren, und genau das habe ich getan. |
| Ich möchte mir also die Spieler ansehen, die vielleicht nur 10 Saisonäquivalente haben, wobei ein Saisonäquivalent auf der durchschnittlichen Spielersaison basiert. |
| Gut. Und schließlich, was für ein Arbeitspensum sie während ihrer, ihrer gesamten Karriere hatten. Und sagen wir, wir wollen jemanden, der mindestens 80 % hat, |
| machen wir es etwas strenger, sagen wir, sagen wir, |
| ungefähr die gleiche Arbeitsbelastung. Und wieder können wir verschiedene Kriterien verwenden, um die Leute auszusortieren, von denen wir glauben, dass wir sie nicht in Betracht ziehen sollten, und die Leute, von denen wir glauben, dass wir sie in Betracht ziehen, und dann diese Kriterien anwenden ... |
| Ich möchte auch sagen, lasst uns einen Blick auf die Leute werfen, die nicht in der Hall of Fame sind. |
| Auf geht's. Jetzt haben wir eine Liste von Leuten, die es wert sind, in Betracht gezogen zu werden. Und Sie werden feststellen, dass sie ziemlich viele Leute sind, die Sie wahrscheinlich nicht überraschen sollten. Das sind Leute |
| die entweder noch nicht in der Halle sind, weil sie noch spielen oder einfach nur missachtet wurden, wissen, Chris Sale zum Beispiel pitcht noch. |
| Curt Schilling ist aus verständlichen Gründen nicht im Saal. Johan Santana, warum, warum ist er nicht in der Halle? Er gehörte eigentlich zu der Gruppe, die brüskiert wurde. |
| Das Schöne an der Verwendung dieser FDEs ist also, dass Sie sie nehmen, in Ihre Karrierewege umwandeln und dann eine zusätzliche Metrik verwenden können, um sie bestimmen zu können |
| Hallenwürdigkeit und Nicht-Hallenwürdigkeit. |
