揚聲器 | 成績單 |
| 基督教 | 因此，感謝各位今天在虛擬版 JMP 探索峰會上加入我們。 我的名字是克里斯蒂安·斯托普。 我是一名 JMP 系統工程師。 |
| 今天，我的同事 Don McCormack 也加入了我的行列，他也是 JMP 的首席系統工程師。 |
| 你可能來到這裡是因為你看到了演講的標題。 你看到這是......你是美國職業棒球大聯盟球員的棒球迷並且想要加入 |
| 或者您看到它是關於功能數據瀏覽器的，並且您想了解更多關於如何在不同環境中使用功能數據瀏覽器的知識。 所以我們今天要結合這兩個主題。 唐和我和 |
| 我將首先為棒球迷多談一點。 |
| 就像我們在棒球運動員和棒球迷之間進行某種常見的對話一樣，您可能會考慮如何 |
| 你最喜歡的球員相對於其他球員，你可能和你的朋友，這些對話，希望他們保持，你知道，禮貌 |
| 關於你最喜歡的球員是誰以及為什麼。 |
| 所以這就是我想像的亞歷克斯羅德里格斯和瓦里泰克之間臭名昭著的談話只是關於誰......比較他們最喜歡的球員是誰的筆記。 |
| 所以對我來說，我的出身開始了，和唐一樣，就只是對棒球的熱愛和 |
| 對我們收集的泡泡糖卡片背面的棒球統計數據感興趣。 |
| 因此，當您討論您最喜歡的球員是誰時，您可能會注意到球員的不同之處在於他們的優秀程度，但也有不同的東西，比如他們的年齡...... |
| 隨著年齡的增長，他們達到頂峰的地方，比如隨著時間的推移表現開始下降的地方。 所以當你像我一樣思考這些球員的職業軌跡時，你可能想問，嗯，隨著時間的推移，我如何捕捉或模擬這種表現？ |
| 現在，如果你奇怪地像我一樣，你決定要追求統計，這樣你就可以做到這一點。 |
| 但我會鼓勵你跳過那條路線，比我更聰明，只使用功能數據瀏覽器之類的工具來幫助你將這些統計數據...統計曲線轉化為數字，以供你使用。 |
| 所以對於那些對棒球不太熟悉的人，但是 |
| 我們將看到的是反映棒球表現衡量標準的數據。 所以我要談談位置球員和 |
| 位置球員蝙蝠。 因此，他們擊球能力的衡量標準之一是上壘百分比加上重擊百分比或 OPS。 |
| 依此類推，在 Y 軸上，隨著年齡的增長，我對幾個不同的球員進行了測量。 藍色是貝比·魯斯，紅色是泰德·威廉姆斯。 |
| 正如你所看到的，你從這些軌跡中可以感覺到，在他們的大部分職業生涯中，他們的表現似乎都差不多。 |
| 但你可能知道，對於泰德威廉姆斯來說，他們的巔峰時期似乎有點老，而不是貝比魯斯。 |
| 還有貝比·魯斯，如果你只是在沒有任何其他知識的情況下看這個情節，他可能只需要一點時間就可以加快速度達到這個標準。 |
| 所以有很多......這只是你可能正在考慮的數千或數万玩家中的兩個玩家，只是比較一下， |
| 你可以想像他們的職業軌蹟的這些特徵有很多可變性。 因此，球員的軌跡也明顯存在可變性。 |
| 所以我可能會在這裡使用 Graph Builder 的平滑功能，稍微平滑與這些曲線相關的噪聲，以便更好地了解有關該玩家軌蹟的信號。 |
| 事實證明，這種平滑與功能數據瀏覽器所採用的過程非常相似。 |
| 所以在這裡我有功能數據瀏覽器，我再次......我的指標是基礎百分比加上重擊百分比，OPS。 |
| 我只是想看看......就像我們正在比較這些球員軌跡一樣，現在，在 FDE 中，功能數據瀏覽器正在平滑這些球員曲線，如你所見， |
| 然後提取關於這些曲線的共同點的信息。 |
| 所以現在對於每個球員來說，你這樣做的回報是與球員的表現相關的分數。 因此，這些分數以一種很好的定量方式描述了球員的職業生涯軌跡，我們可以從中提取並使用我們將要進行的其他分析。 |
| 所以只是，你可以看到一點，這些是 Hank Aaron 的分數。 |
| 在您將...可以在功能數據瀏覽器中訪問的分析器中， |
| 您實際上可以更改...您可以在此處查看該玩家隨年齡增長的 OPS 軌跡，然後更改這些值以反映該玩家的分數並獲得更好的分數...複製他們的 |
| 他們的職業軌跡與這些分數。 |
| 對，這就是關於 FDE 以及如何在這裡使用它的一點點。 所以你會看到唐和我談論我們現在配備的這些統計數據， |
| 我們從功能數據瀏覽器中獲得的這些球員得分，從我們開始使用的曲線中獲取。 所以我們將使用它......我們正在做的一些事情是預測名人堂的地位。 |
| 不僅誰在名人堂他們屬於那裡，或者更有趣的是，也許，誰是名人堂的球員，也許不應該是因為統計數據不支持它 |
| 或者也許找出名人堂委員會似乎冷落的球員。 因此，我們將討論一下我們使用的不同指標以及我們如何修改它們。 |
| 然後使用 FDE 獲取這些職業軌跡，然後得出分數並進行預測，就像我們通常對其他事情所做的那樣。 |
| 因此，如果您沒有關注棒球，那麼名人堂的資格...資格要求是球員必須至少打 10 年，所以 10 個賽季，並且必須等待...您必須等待五年才能獲得'有資格。 |
| 然後你有 10 年的時間有資格，人們可以投票給你。 所以我們會看到一些球員仍然有......仍在等待電話。 |
| 大廳使用了不同的選擇標準，主要是圍繞球員的表現如何，但也會考慮到這些其他因素 |
| 我們使用的數據源 Lahman 數據庫不包括在內，因此很難衡量。 所以我們只是堅持分析反映他們在球場上的統計能力。 |
| 當然，在 150 年的棒球運動員打棒球之後，你可能會認識到他們在不同的時代打球。 |
| 所以我們要確保我們將玩家與他們的同齡人進行比較。 所以我們要考慮到這一點，你知道的，也許是他們參加比賽的那一年， |
| 或他們所扮演的位置，因為不同的要求相關聯......通常會與不同的位置相關聯。 |
| 然後不同的聯賽有不同的規則；我們也會權衡一下。 |
| 那就是我要停下來的地方。 唐會開始投球，然後我會回來談論位置球員。 |
| 唐科馬克 | 所以就像克里斯蒂安說的，我要談一點關於投球的事情，但是 |
| 當我這樣做的時候，在那之前我正在這樣做， |
| 我想做的是，我想說明一下那個基督徒提到的一些最初的觀點。 好數據的東西 |
| 分析技術，真正需要做的事情，不管你使用什麼建模技術， |
| 然而，事實證明，在使用 FDE 對數據進行建模之前，它們是一件好事。 我要專門談談清理數據， |
| 關於規範化數據，因此您可以平等地比較人們，然後最終對數據進行建模。 所以作為一個例子，我所得到的……你現在在屏幕上看到的， |
| 我們正在尋找三個非常不同的投手，他們都在名人堂。 紅線是諾蘭瑞恩， |
| 一個很長的職業生涯，大約有27年的職業生涯。 綠線，中間線，是霍伊特·威廉。 |
| 對於你們中的一些年輕人，你可能不知道霍伊特·威廉是誰；我相信他從 50 年代初到 72 年代開始投球。 |
| 相當長的職業生涯；跨越多個時代。 他主要是一個救濟者，但不像你今天可能知道的救濟者那樣的救濟者。 他是一個出去解救的人， |
| 你知道，他可能會投六局。 好吧，今天的救援人員非常非常不典型。 藍線是 Trevor Hoffman，離聖地亞哥教士隊更近了。 但同樣，非常不同的投手。 所以問題是，我的意思是，我們做什麼，我們如何準備好這些數據 |
| 並以一種我們可以平等比較這三個人的方式進行設置？ 所以我提到的第一件事是我們要清理你的數據。 順便說一句，我將使用四個不同的指標。 我要使用 |
| WHIP（每局投球的步行和安打數）、每九局三振、每九局本壘打和一個指標 |
| 我很容易創建了所謂的擊球手百分比超過最小值，我只是將投手面臨的擊球手數除以他們得到的總出局數 |
| 並減去一個。 這裡的想法是，如果面對的每個擊球手都成功了，那將是一個完美的擊球手。 |
| 好的，我將看看這四個指標。 關於我如何定義我的標準化，我有不同的標準， |
| 就我如何篩選異常值而言，我將包括一個 PowerPoint 幻燈片 |
| 供您查看以獲取詳細信息，但由於時間關係，我不打算在這裡討論它們。 所以我要做的第一件事就是清理數據。 所以你會注意到，例如，諾蘭瑞恩投球的第一年 |
| 三局投球；非常非常高的WHIP。 在這裡的幾個賽季，我認為特雷弗霍夫曼 |
| 投了一個低數額。 所以，我將從排除數據開始。 那很好。 它縮小了範圍，並且在進行分析之前從數據中取出異常值總是好的。 |
| 我要提到的另一個步驟是，當我進行 FDE 時，當我在平台內對這些數據使用 FDE 時，它允許您進行一些額外的異常值篩選，其中， |
| 即使您有多個正在使用的列， |
| 你只是屏幕......你沒有篩選出整行；您只是篩選出給定輸入的值，這是一個非常非常好的功能。 所以我也使用它，因為還有， |
| 即使進行了初步篩選，我仍然需要消除一些異常情況。 |
| 清理數據。 規範化它是第二個。 所以通過歸一化，我所做的是，我基本上在 X 軸上歸一化。 我已經在 Y 軸上進行了歸一化。 所以， |
| 我們在這裡看到的是季節數。 因此，這些賽季中的每一個都被視為一個獨立的整體，但我們都知道，在某些賽季，一些投手的投球數比其他賽季多。 |
| 因此，我不會將賽季視為我的實體，而是會查看職業生涯的累計百分比。 所以我知道，我知道在賽季末，投手們累積了這麼多的職業生涯出局，這在整個或整個職業生涯中都有一定的比例 |
| 出局。所以我將使用它來擴展我的數據。 現在最棒的是，你會注意到現在所有三個投手都在同一個 |
| x 刻度。 一切，一切都從零縮放到一。 所以，所以，真的很好... |
| 從 FDE 分析的角度來看，這是一件非常好的事情。 最後，我也想在 Y 軸上進行縮放。 |
| 我所做的只是將 WHIP 除以投手類型和投手時代的平均 WHIP。 所以我有一個相對的WHIP。 現在關於使用這些相對值的另一個好處是 |
| 我知道我在沙灘上的線在哪裡。 我知道一個相對 WHIP 為 1 的投手是一個普通的投手。 所以在這種情況下，我會尋找那些投擲的人 |
| WHIP 低於 1。 所以你會注意到這三個投手在他們職業生涯的大部分時間裡，他們都在那條線上。 現在我要做的最後一件事是 |
| 我想用我的 FDE 來模擬那個軌跡，軌跡。 現在，按原樣使用數據的問題之一，按原樣使用數據的兩個問題。 一是比較顛簸， |
| 並且很難估計所有這些起起落落的職業軌跡。 第二件事是， |
| 最終我想做的是，我想使用我從 FDE 生成的指標，這個軌跡來得出一些總體職業估計。 所以與其看我的賽季或我的累積百分比 |
| 離散實體，我希望能夠在整個連續職業生涯中對其進行建模。 我們稍後會看到。 所以我要更換我的 |
| 我的百分比......我很抱歉......有條件的......我的 WHIP，我的相對 WHIP 與這個有條件的 FDE 估計。 現在，你可能已經看到我翻回那兩個，你可能會說，哦，男孩，那是什麼...什麼 |
| 兩者之間有多麼巨大的區別，那真的做得很好嗎？ 從那張圖很難看出。 所以，所以我，我想做什麼 |
| 是我要真正向你展示它的樣子。 所以在這裡我所做的是我拉起來 |
| the, the, the, 離散值。 順便說一句，這是諾蘭·瑞恩。 Nolan Ryan 的離散測量值，以及他的曲線 |
| 條件 FDE 估計，您會發現它不會遵循相同的鋸齒狀路徑或崎嶇不平的路徑，但它在估計方面做得很好 |
| 他的職業軌跡是什麼。 總的來說，他的 WHIP |
| 高，起初，他走了很多人，是一個非常非常狂野的投手，在他職業生涯的開始階段更加狂野，信不信由你。 |
| 但隨著他職業生涯的繼續，情況變得更好。 這是你會在我選擇的任何投手中看到的。 例如，如果我去，讓我們去霍伊特威廉。 |
| 這是威廉。 同樣，它沒有捕捉到絕對的高點和低點，但它很好地模擬了他職業生涯的大致方向。 |
| 好的，讓我們用它來提問。 我只有有限的時間。 我希望我有更多的時間，因為我可以向你展示一些簡潔的東西。 |
| 但我...我要從我所謂的冷落開始。 好的，這些是...所以我在我提到的這四個指標上使用了 FDE。 |
| 我將這些與投手類型一起用作輸入，並嘗試了一大堆預測建模技術。 對我最有效的兩個是樸素貝葉斯 |
| 和判別分析。 我使用這兩種建模技術來告訴我誰進來了……誰應該進來，誰不應該進來 |
| 這就是......我們在這裡看到的是，我們正在尋找那些樸素貝葉斯和判別分析都認為是的投手， |
| 但名人堂說不。所以這些是我的……這被冷落了。 所以你會注意到在這種情況下......讓我切換到這個。 這是應用程序。 這是相對的WHIP。 讓我們使用有條件的 WHIP。 |
| 讓我繼續把那條參考線放回原處，你會看到，在大多數情況下，這些都是投手，他們度過了頂峰……他們職業生涯的大部分時間 |
| 在那一行之下。 現在，查看這些數據，您可能會想到的另一件事是 |
| 哇，真的很難區分這些球員。 我現在如何比較這些，如果我要放，比如說，大廳裡的幾個投手 |
| 在這個列表中，也是。 我的意思是，他們會......很難將他們分開 |
| 盯著他們看，因為他們的某些職業，他們會比其他人更好，他們會切換職業的其他部分。 我該如何，如何在職業層面上處理這個問題？ |
| 正如我之前提到的，函數式數據瀏覽器的優點之一是我可以獲取這些數據， |
| 我可以 我可以 我可以創造一個職業軌跡。 沿著該職業軌跡估計一大堆數據點。 我這樣做了，我實際上把職業分成了 100 個 |
| 單位，我對每條曲線的所有一百個單位求和。 所以基本上，我所做的是我得到了曲線下的區域。 |
| 如果它高於那條線，我會減去，如果它低於那條線，我會……對不起……如果我高於那條線，我會加上；在我要減去的線下方。 |
| 如果我們看看總的職業軌跡……這是一個，這實際上是……這是一個更大的列表。 這大約是 1300 或 1400 個投手，所以絕對是每個人…… |
| 絕對是所有符合霍爾資格的人，10 年或更長時間。 因此，讓我們真正快速地了解一些我們可以用它做的事情。 |
| 讓我們開始吧……讓我先看看被冷落的球員。 所以這些是......這些是我們的球員......這些是我的球員被冷落。 所以 |
| 好的，所以這些是 100 個值。 所以，所以，這裡的沙子線是 100，因為我已經測量了 100 個不同的值。 |
| 所以你會注意到，在大多數情況下，這些玩家都在 100 人以上。 這是沒有進入名單的球員的名單。 如果你看看這些球員， |
| 你會注意到這裡有幾個人是顯而易見的。 人們喜歡 Curt Schilling 和 the and the 和 Roger Clemens 的非非非 |
| 職業原因 for the for the for the for the ...克里斯蒂安提到的其他一些標準不在那裡。 但也有一些人，比如克萊頓·克肖，他的職業生涯還沒有結束。 |
| 但肯定還有其他人你可能會考慮..那些符合霍爾資格的人。 所以實際上，讓我們也來看看。 那麼讓我們看看那些有資格進入大廳的人，沒有進入大廳的人...... |
| BJ瑞恩； Curt Schilling 又在裡面了；約翰·桑塔納，不知道他為什麼沒能到大廳； Smokey Joe Wood，1900 年代初期的投手；等等。 所以， |
| FDE 允許我從他們職業軌蹟的任何地方提取價值的能力是一個額外的工具，讓我能夠估計一些 |
| 附加標準，關於誰屬於大廳，誰不屬於大廳。 所以，關於投手的事情就說得夠多了。 讓我們......我要把它轉回克里斯蒂安，這樣我們就可以多談談位置球員了。 |
| 基督教 | 出色的。 謝謝你，唐。 |
| 正確的。 |
| 好的，唐在談論投球……投手，所以我在看，我會看位置 |
| 唐科馬克 | 球員，所以有兩個不同的組成部分。 |
| 基督教 | 你有你的擊球能力，還有你的防守能力，我和唐的看法有點不同，就只是 |
| 查看統計數據，然後構建模型。 我最終只從四個更常見的擊球統計數據開始，這些是這裡列表中的前四個，其中一些你會在棒球卡的背面找到。 |
| 然後隨著我的進步，正如我們將看到的，我需要一些東西來捕獲被盜的基地，因為前四個並不是真的......根本不這樣做。 |
| 因此，我創建了一個指標，我稱之為基本單位平均值，它將其他基本跑步者的動作帶入......以將這些事情歸功於擊球手。 然後，當然，守備是一個因素，我們將看到，所以我包括了一些用於守備的指標。 |
| 就像剛才提到的唐一樣，我想確保我將蘋果與蘋果進行比較，所以我正在看 |
| 關於我提到的那些統計數據的位置、聯賽和年份。 然後當 |
| 像 Don 一樣，我想確保 II 適當地加權那些較小的樣本量，這樣它們就不會破壞系統。 所以我最終將球員的表現與上牌次數相對於聯賽年的平均水平進行了加權 |
| 在一個特定的陣容位置上，該位置應該在本賽季的過程中出現多少個板塊。 所以這就是他們的權重。 |
| 正確的。 那麼讓我們來看看它是什麼樣子的。 我們將回到這裡再次訪問泰德威廉姆斯。 |
| 所以我們看到蒂姆威廉姆斯的職業生涯在左邊，我們看到了，這些是原始分數。 |
| 然後看起來他在這裡度過了一個非常糟糕的賽季。 |
| 但是，如果，一旦你採取了其中的一個相對組成部分，你可以看到它實際上是一個像唐一樣的平均賽季，它仍然高於平均線。 所以對於泰德威廉姆斯來說，按照他自己的標準，這只是一個糟糕的賽季。 |
| 然後我們之前看到，泰德威廉姆斯的這兩個高峰可能類似於他的巔峰表現，但事實證明，這些賽季他的樣本數量較少……由於他的出場次數 |
| 正在……參加朝鮮戰爭。 所以他最終對他的分數產生了影響。 由於樣本量較小，我相應地再次向平均值加權。 |
| 所以， |
| 這就是我們的數據類型。 我將只關注我談話中的相關統計數據，並只關註一些引起我注意的事情。 |
| 我們去吧。 我們會這樣做的。 |
| 需要這裡的數字表來輸入 |
| 來自 FDE。 所以這是我們要查看的分數，來自 FDE 的相對 FPC 分數。 |
| 我看到的第一件事是，我在模型中包含了四個變量，前四個擊球統計數據，以及 |
| 我只想確保我的分析中包含正確的組件。 所以在左軸上是模型驅動的進入名人堂的概率。 |
| 現在什麼...對不起，那是 y 軸，x 軸是這個人是否真的在名人堂。 所以我的錯誤分類區域是這兩個部分。 |
| 我注意到這裡的一些球員比我預期的要多。 所以我在探索，我們可能會探索我還沒有包括在內的變量，比如被盜的基地。 |
| 所以我會彈出這些顏色和大小。 |
| 如你所見， |
| 我似乎很清楚，被盜基地絕對是名人堂選民考慮的一個因素。 這些是... |
| 所以顏色和大小與他們職業生涯中被盜基地的數量有關。 這就是驅使我創建然後使用的基本單位平均統計數據的原因。 |
| 所以添加......當我探索我描述的那些模型時，我從四個統計數據開始，然後添加了那個 BUA 統計數據。 這是我現在的 x 軸。 |
| 然後我添加了守備統計數據，我們這裡有一個平行圖，y 軸又是……是模型建議球員應該進入名人堂的概率，現在每條線都是一個玩家。 |
| 所以顏色代表了他們的名人堂地位。 紅色是肯定的，已經被錄取了，藍色是沒有。 |
| 所以我喜歡這個情節，因為它讓我可以看到誰在移動。 如果我能看到模型中這些額外變量的影響。 |
| 當然，首先引起我注意的是這裡的這個人，它是如何從一個不真實的 |
| 加上被盜的基礎組件，我們可以看到他很有可能被選入名人堂等歸屬，這取決於你如何看待它。 正是瑞奇·亨德森（Ricky Henderson），他恰好是被盜壘的職業領袖。 |
| 現在另一位球員，只關注防守端，是 Kirby Puckett，他的初步統計表明，根據最初的模型， |
| 他成功了；他有足夠的資格越過這條線。 但是，你知道，如果你添加被盜的基礎組件， |
| 是的，他實際上似乎不再有資格了。 最後，我們考慮到他，他是一個非常好的外野手，他在雙胞胎的中場比賽中贏得了許多金手套， |
| 我們看到他重新獲得了名人堂委員會的青睞，並且理所當然地投了票。 |
| 這是一種混亂的模型。 |
| 不是凌亂的模型，你在這裡做了很多事情。 所以， |
| 我最終添加了我的本地數據過濾器，這樣我就可以單獨查看每個位置。 |
| 在這裡，對於一壘來說，很容易看到我們有紅色的人，然後是藍色的人。 現在我們這裡有人，這是托德赫爾頓，至少在我們看到的所有模型中 |
| 建議他應該進入名人堂，他仍然有資格。 所以他還在等電話。 |
| 但是像迪克艾倫這樣的人，也有藍色，不在裡面。 他的數據，至少基於匯總統計數據、我們使用的 FDE 統計數據以及模型表明他不應該......他屬於大廳。 |
| 還有其他人是紅色的，排在最底層，比如 Jim Thome，模特們認為他並不真正屬於他，但他被選入了。 |
| 因此，隨著我們添加這些預測變量，探索這些不同關係的不同方式。 |
| 現在，像唐一樣，我想了解，嗯，誰是誰，誰被冷落，誰可能有天賦 |
| 或者至少有，你知道的，非統計導向的組件供他考慮。 |
| 因此，我和 Don 一樣，運行了多個模型並確定了四個模型，我喜歡並且在...... |
| 在我作為 x 軸的 FDE 中，我還基於累計出場次數百分比。 所以那將......擁有這兩種不同的變體給了我很多模型可供查看。 所以我深入研究了所有八個模型的人， |
| 是名人堂，但沒有一個模型表明他們應該是。 這就是這裡的這條線。 其中有31個。 |
| 而我在這裡用綠色表示的反面，那些模型在任何一個桶中的人......大多數年齡桶中的模型與 Kimball 不同的板塊出現百分比表明他們確實屬於名人堂，但是他們不是。 所以我把所有這些人都拉了出來 |
| 就像唐想要的那樣，比較一下他們的軌跡是什麼樣的 |
| 有沒有......他們至少關閉了，還是這裡發生了其他事情？ |
| 所以你可以從上面看到，這又是基礎百分比加上重擊百分比，OPS。 看起來，紅色和加號，被冷落的人表演 |
| 在這個指標上要好得多，而且事實證明，所有其他進攻性統計指標都比有天賦的人更好，那些參與的人，但模型表明不應該如此。 |
| 這讓我想，嗯，是不是只是進攻數據，也許守備是那些已經發光的人的地方？ 並且基於至少上場百分比，它實際上表明仍然存在這種情況，其中...... |
| 實際上，這就是被冷落的人。 |
| 那些，有天賦的人看起來仍然像他們...... |
| 他們不一定像這些被冷落的人那樣屬於。 |
| 僅在潮汐反轉的範圍因子分量上。 所以你最終會看到有天賦的人超過了表現更好的被冷落的人。 |
| 這是另一個不同的觀點，很像唐的觀點，你可以用它來評估 |
| 只是模型中包含的組件。 |
| 我們可以通過很多不同的方式查看這裡的數據。 |
| 所以結束，因為我相信你們中的一些人只是想知道在這些人中誰被冷落，誰更有天賦。 |
| 這些是被冷落的一些人，至少在位置球員中，就像唐提到他的一些投手一樣，有一些人被禁止參加棒球比賽，所以他們並沒有完全被冷落，所以。 |
| 你可能認識其中的一些。 |
| 然後這些是一些有天賦的球員，或者至少他們的統計標準是......這可能不是讓他們進入名人堂的原因。 |
| 是的，所以只要總結一下我們的表現，我們已經能夠將這些球員的職業生涯軌跡作為他們的表現......選擇一個指標 |
| 並將其放入功能數據瀏覽器中，並獲取捕捉這些曲線本質的數字摘要。 |
| 然後，反過來，使用這些統計數據，我們能夠將這些分數放入我們熟悉的傳統統計技術中。 |
| 所以現在我們可以改變這個問題，從你如何建模或量化職業軌跡，並將其修改為我想用這些 FPC 分數探索什麼？ |
| 因此，我們希望您喜歡談論棒球以及與棒球、JMP 和 FDE 的互動。 |
| 並希望您感到有能力去使用 JMP Pro 中提供的 FDE 工具來解決數據問題，例如您最喜歡的球員是誰以及為什麼，並擁有支持它的方法。 |
| 感謝您加入我們。 小心。 |
| 唐科馬克 | 好的，那麼我們如何處理這些需要查看某人的職業軌蹟的情況呢？ 是否有其他指標可以進行這些比較，以便 |
| 我們能分辨出這些非常好的漸變嗎？ 因此，正如我之前提到的，我們可以做的是我們可以我們當然可以我們可以看到這個人職業生涯軌跡上的任何一點 |
| 任何我們想要的漸變。 我做到了。 我取了 100 個數據點，100 個介於 0 和 1 之間的值， |
| 職業生涯的開始，職業生涯的結束，我總結了所有這些價值觀。 我這樣做了……這項技術的好處是我可以針對多個指標進行操作。 所以，所以現在我們在這裡看到的是我們正在看，我們正在看 |
| 所有四個指標的圖。 |
| 我們可以將它們全部繪製在一張圖上。 我們將再次回到那些被冷落的人身上， |
| 這些人在這裡。 就是這樣……所以如果我們看看這些人， |
| 我們看到他們有一個低點……順便說一下，在這種情況下是 100，因為有 100 個觀察值。 |
| 每九個一百個本壘打，你想要那個低； |
| 面對超過最低限度的擊球手百分比，低；然後是九局以上的三振出局，你想要的偏高。 你會注意到那是一種軌跡 |
| 人們跟隨。 那麼，關於這一點的有趣之處在於，我能做的是，我能 |
| 使用我想要的任何標準。 舉個例子，假設我要看看……我要考慮我所有的球員，我只想考慮那些擁有 |
| 在這種情況下，低於 100 的 WHIP……比那更好……實際上就是……甚至比那更好。 假設 90 或以下。 |
| 好的，讓我們看看那些，你知道，至少每九局有平均三振出局次數的人，也許他們的擊球手百分比...面對超過 100 的擊球手的百分比是最低的。 |
| 所以，我會在這裡忽略九個本壘打。 我也，你也可以按季數標準化和規範化，我已經做到了。 |
| 所以我想做的是我想看看那些可能只有10個賽季當量的球員，其中一個賽季當量是基於平均球員賽季的情況。 |
| 好的。 最後，他們在整個職業生涯中承擔了什麼樣的工作量。 假設我們想要一個擁有至少 80% 的人， |
| 讓我們更嚴格一點，比方說，比方說， |
| 大約相同的工作量。 再一次，我們可以使用不同的標準來淘汰那些我們認為不應該考慮的人和那些我們認為我們應該考慮的人，然後使用這些標準...... |
| 我還想說讓我們來看看那些不在名人堂的人。 |
| 所以我們開始吧。 現在我們有一份值得考慮的人名單。 你會注意到他們是相當多的人，可能不應該讓你感到驚訝。 這些是人 |
| 要么因為他們還在比賽而還沒有在大廳裡，要么只是被忽視了，例如，克里斯·塞爾仍在投球。 |
| Curt Schilling，顯然不是大廳。 約翰·桑塔納，為什麼，為什麼他不在大廳裡？ 他實際上是那個被冷落的群體的一部分。 |
| 所以使用這些 FDE 的好處是你可以把它們變成你的職業軌跡，然後使用一個額外的指標來確定 |
| 堂配與非堂配。 |
