扬声器 | 成绩单 |
| 基督教 | 因此，感谢各位今天在虚拟版 JMP 探索峰会上加入我们。 我的名字是克里斯蒂安·斯托普。 我是一名 JMP 系统工程师。 |
| 今天，我的同事 Don McCormack 也加入了我的行列，他也是 JMP 的首席系统工程师。 |
| 你可能来到这里是因为你看到了演讲的标题。 你看到这是......你是美国职业棒球大联盟球员的棒球迷并且想要加入 |
| 或者您看到它是关于功能数据浏览器的，并且您想了解更多关于如何在不同环境中使用功能数据浏览器的知识。 所以我们今天要结合这两个主题。 唐和我和 |
| 我将首先为棒球迷多谈一点。 |
| 就像我们在棒球运动员和棒球迷之间进行某种常见的对话一样，您可能会考虑如何 |
| 你最喜欢的球员相对于其他球员，你可能和你的朋友，这些对话，希望他们保持，你知道，礼貌 |
| 关于你最喜欢的球员是谁以及为什么。 |
| 所以这就是我想象的亚历克斯罗德里格斯和瓦里泰克之间臭名昭著的谈话只是关于谁......比较他们最喜欢的球员是谁的笔记。 |
| 所以对我来说，我的出身开始了，和唐一样，就只是对棒球的热爱和 |
| 对我们收集的泡泡糖卡片背面的棒球统计数据感兴趣。 |
| 因此，当您讨论您最喜欢的球员是谁时，您可能会注意到球员的不同之处在于他们的优秀程度，但也有不同的东西，比如他们的年龄...... |
| 随着年龄的增长，他们达到顶峰的地方，就像随着时间的推移性能开始下降的地方。 所以当你像我一样思考这些球员的职业轨迹时，你可能想问，嗯，随着时间的推移，我如何捕捉或模拟这种表现？ |
| 现在，如果你奇怪地像我一样，你决定要追求统计，这样你就可以做到这一点。 |
| 但我会鼓励你跳过那条路线，比我更聪明，只使用功能数据浏览器之类的工具来帮助你将这些统计数据...统计曲线转化为数字，以供你使用。 |
| 所以对于那些对棒球不太熟悉的人，但是 |
| 我们将看到的是反映棒球表现衡量标准的数据。 所以我要谈谈位置球员和 |
| 位置球员蝙蝠。 因此，他们击球能力的衡量标准之一是上垒百分比加上重击百分比或 OPS。 |
| 依此类推，在 Y 轴上，随着年龄的增长，我对几个不同的球员进行了测量。 蓝色是贝比·露丝，红色是泰德·威廉姆斯。 |
| 正如您所看到的，您从这些轨迹中可以感觉到，在他们的大部分职业生涯中，他们的表现似乎都差不多。 |
| 但你可能知道，对于泰德威廉姆斯来说，他们的巅峰时期似乎有点老，而不是贝比鲁斯。 |
| 还有贝比·鲁斯，如果你只是在没有任何其他知识的情况下看这个情节，他可能只需要一点时间就可以加快速度达到这个标准。 |
| 所以有很多......这只是你可能正在考虑的数千或数万玩家中的两个玩家，只是看看比较， |
| 你可以想象他们的职业轨迹的这些特征有很多可变性。 因此，球员的轨迹也明显存在可变性。 |
| 所以我可能会在这里使用 Graph Builder 的平滑功能，稍微平滑与这些曲线相关的噪声，以便更好地了解有关该玩家轨迹的信号。 |
| 事实证明，这种平滑与功能数据浏览器所采用的过程非常相似。 |
| 所以在这里我有功能数据浏览器，我再次......我的指标是基础百分比加上重击百分比，OPS。 |
| 我只是想看看......就像我们正在比较这些球员轨迹一样，现在，在 FDE 中，功能数据浏览器正在平滑这些球员曲线，如你所见， |
| 然后提取关于这些曲线的共同点的信息。 |
| 所以现在对于每个球员来说，你这样做的回报是与球员的表现相关的分数。 因此，这些分数以一种很好的定量方式描述了球员的职业生涯轨迹，我们可以从中提取并使用我们将要进行的其他分析。 |
| 所以只是，你可以看到一点，这些是 Hank Aaron 的分数。 |
| 在您将...可以在功能数据浏览器中访问的分析器中， |
| 您实际上可以更改...您可以在此处查看该玩家随年龄增长的 OPS 轨迹，然后更改这些值以反映该玩家的分数并获得更好的分数...复制他们的 |
| 他们的职业轨迹与这些分数。 |
| 对，这就是关于 FDE 以及如何在这里使用它的一点点。 所以你会看到唐和我谈论我们现在配备的这些统计数据， |
| 我们从功能数据浏览器中获得的这些球员得分，从我们开始使用的曲线中获取。 所以我们将使用它......我们正在做的一些事情是预测名人堂的地位。 |
| 不仅谁在名人堂他们属于那里，或者更有趣的是，也许，谁是名人堂的球员，也许不应该是因为统计数据不支持它 |
| 或者也许找出名人堂委员会似乎冷落的球员。 因此，我们将讨论一下我们使用的不同指标以及我们如何修改它们。 |
| 然后使用 FDE 获取这些职业轨迹，然后得出分数并进行预测，就像我们通常对其他事情所做的那样。 |
| 因此，如果您没有关注棒球，那么名人堂的资格...资格要求是球员必须至少打 10 年，所以 10 个赛季，并且必须等待...您必须等待五年才能获得'有资格。 |
| 然后你有 10 年的时间有资格，人们可以投票给你。 所以我们会看到一些球员仍然有......仍在等待电话。 |
| 大厅使用了不同的选择标准，主要是围绕球员的表现如何，但也会考虑到这些其他因素 |
| 我们使用的数据源 Lahman 数据库不包括在内，因此很难衡量。 所以我们只是坚持分析反映他们在球场上的统计能力。 |
| 当然，在 150 年的棒球运动员打棒球之后，你可能会认识到他们在不同的时代打球。 |
| 所以我们要确保我们将玩家与他们的同龄人进行比较。 所以我们要考虑到这一点，你知道的，也许是他们参加比赛的那一年， |
| 或他们所扮演的位置，因为不同的要求相关联......通常会与不同的位置相关联。 |
| 然后不同的联赛有不同的规则；我们也会权衡一下。 |
| 那就是我要停下来的地方。 唐会开始投球，然后我会回来谈论位置球员。 |
| 唐科马克 | 所以就像克里斯蒂安说的，我要谈一点关于投球的事情，但是 |
| 当我这样做的时候，在那之前我正在这样做， |
| 我想做的是，我想说明一下那个基督徒提到的一些最初的观点。 好数据的东西 |
| 分析技术，真正需要做的事情，不管你使用什么建模技术， |
| 然而，事实证明，在使用 FDE 对数据进行建模之前，它们是一件好事。 我要专门谈谈清理数据， |
| 关于规范化数据，因此您可以平等地比较人们，然后最终对数据进行建模。 所以作为一个例子，我所得到的......你现在在屏幕上看到的， |
| 我们正在寻找三个非常不同的投手，他们都在名人堂。 红线是诺兰瑞恩， |
| 一个很长的职业生涯，大约有27年的职业生涯。 绿线，中间线，是霍伊特·威廉。 |
| 对于你们中的一些年轻人，你可能不知道霍伊特·威廉是谁；我相信他从 50 年代初到 72 年代开始投球。 |
| 相当长的职业生涯；跨越多个时代。 他主要是一个救济者，但不像你今天可能知道的救济者那样的救济者。 他是一个出去解救的人， |
| 你知道，他可能会投六局。 好的，今天的救援人员非常非常不典型。 蓝线是 Trevor Hoffman，离圣地亚哥教士队更近了。 但同样，非常不同的投手。 所以问题是，我的意思是，我们做什么，我们如何准备好这些数据 |
| 并以一种我们可以平等比较这三个人的方式进行设置？ 所以我提到的第一件事是我们要清理您的数据。 顺便说一句，我将使用四个不同的指标。 我要使用 |
| WHIP（每局投球的步行和安打数）、每九局三振、每九局本垒打和一个指标 |
| 我很容易创建了所谓的击球手百分比超过最小值，我只是将投手面临的击球手数除以他们得到的总出局数 |
| 并减去一个。 这里的想法是，如果面对的每个击球手都成功了，那将是一个完美的击球手。 |
| 好的，我将看看这四个指标。 关于我如何定义我的标准化，我有不同的标准， |
| 就我如何筛选异常值而言，我将包括一个 PowerPoint 幻灯片 |
| 供您查看以获取详细信息，但由于时间关系，我不打算在这里讨论它们。 所以我要做的第一件事就是清理数据。 所以你会注意到，例如，诺兰瑞恩投球的第一年 |
| 三局投球；非常非常高的WHIP。 在这里的几个赛季，我认为特雷弗霍夫曼 |
| 投了一个低数额。 所以，我将从排除数据开始。 那很好。 它缩小了范围，并且在进行分析之前从数据中取出异常值总是好的。 |
| 我要提到的另一个步骤是，当我进行 FDE 时，当我在平台内对这些数据使用 FDE 时，它允许您进行一些额外的异常值筛选，其中， |
| 即使您有多个正在使用的列， |
| 你只是屏幕......你没有筛选出整行；您只是筛选出给定输入的值，这是一个非常非常好的功能。 所以我也使用它，因为还有， |
| 即使进行了初步筛选，我仍然需要消除一些异常情况。 |
| 清理数据。 规范化它是第二个。 所以通过归一化，我所做的是，我基本上在 X 轴上归一化。 我已经在 Y 轴上进行了归一化。 所以， |
| 我们在这里看到的是季节数。 因此，这些赛季中的每一个都被视为一个独立的整体，但我们都知道，在某些赛季，一些投手的投球数比其他赛季多。 |
| 因此，与其将赛季视为我的实体，我将着眼于职业生涯的累计百分比。 所以我知道，我知道在赛季末，投手们累积了这么多的职业生涯出局，这在整个或整个职业生涯中都有一定的比例 |
| 出局。所以我将使用它来扩展我的数据。 现在最棒的是，你会注意到现在所有三个投手都在同一个 |
| x 刻度。 一切，一切都从零缩放到一。 所以，所以，真的很好... |
| 从 FDE 分析的角度来看，这是一件非常好的事情。 最后，我也想在 Y 轴上进行缩放。 |
| 我所做的只是将 WHIP 除以投手类型和投手时代的平均 WHIP。 所以我有一个相对的WHIP。 现在关于使用这些相对值的另一个好处是 |
| 我知道我在沙滩上的线在哪里。 我知道一个相对 WHIP 为 1 的投手是一个普通的投手。 所以在这种情况下，我会寻找那些投掷的人 |
| WHIP 低于 1。 所以你会注意到这三个投手在他们职业生涯的大部分时间里，他们都在那条线上。 现在我要做的最后一件事是 |
| 我想用我的 FDE 来模拟那个轨迹，轨迹。 现在，按原样使用数据的问题之一，按原样使用数据的两个问题。 一是比较颠簸， |
| 并且很难估计所有这些起起落落的职业轨迹。 第二件事是， |
| 最终我想做的是，我想使用我从 FDE 生成的指标，这个轨迹来得出一些总体职业估计。 所以与其看我的赛季或我的累积百分比 |
| 离散实体，我希望能够在整个连续职业生涯中对其进行建模。 我们稍后会看到。 所以我要更换我的 |
| 我的百分比......我很抱歉......有条件的......我的 WHIP，我的相对 WHIP 与这个有条件的 FDE 估计。 现在，你可能已经看到我翻回那两个，你可能会说，哦，男孩，那是什么...什么 |
| 两者之间有多么巨大的区别，那真的做得很好吗？ 从那张图很难看出。 所以，所以我，我想做什么 |
| 是我要真正向你展示它的样子。 所以在这里我所做的是我拉起来 |
| the, the, the, 离散值。 顺便说一句，这是诺兰·瑞恩。 Nolan Ryan 的离散测量值，以及他的曲线 |
| 条件 FDE 估计，您会发现它不会遵循相同的锯齿状路径或崎岖不平的路径，但它在估计方面做得很好 |
| 他的职业轨迹是什么。 总的来说，他的 WHIP |
| 高，起初，他走了很多人，是一个非常非常狂野的投手，在他职业生涯的开始阶段更加狂野，信不信由你。 |
| 但随着他职业生涯的继续，情况变得更好。 这是你会在我选择的任何投手中看到的。 例如，如果我去，让我们去霍伊特威廉。 |
| 这是威廉。 同样，它没有捕捉到绝对的高点和低点，但它很好地模拟了他职业生涯的大致方向。 |
| 好的，让我们用它来提问。 我只有有限的时间。 我希望我有更多的时间，因为我可以向你展示一些简洁的东西。 |
| 但我...我要从我所谓的冷落开始。 好的，这些是...所以我在我提到的这四个指标上使用了 FDE。 |
| 我将这些与投手类型一起用作输入，并尝试了一大堆预测建模技术。 对我最有效的两个是朴素贝叶斯 |
| 和判别分析。 我使用这两种建模技术来告诉我谁进来了……谁应该进来，谁不应该进来 |
| 这就是......我们在这里看到的是，我们正在寻找那些朴素贝叶斯和判别分析都认为是的投手， |
| 但名人堂说不。所以这些是我的……这被冷落了。 所以你会注意到在这种情况下......让我切换到这个。 这是应用程序。 这是相对的WHIP。 让我们使用有条件的 WHIP。 |
| 让我继续把那条参考线放回原处，你会看到，在大多数情况下，这些都是投手，他们度过了顶峰……他们职业生涯的大部分时间 |
| 在那一行之下。 现在，查看这些数据，您可能会想到的另一件事是 |
| 哇，真的很难区分这些玩家。 我现在如何比较这些，如果我要放，比如说，大厅里的几个投手 |
| 在这个列表中，也是。 我的意思是，他们会......很难将他们分开 |
| 盯着他们看，因为他们的某些职业，他们会比其他人更好，他们会切换到职业的其他部分。 我该如何，如何在职业层面上处理这个问题？ |
| 所以正如我之前提到的，函数式数据浏览器的好处之一是我可以获取这些数据， |
| 我可以 我可以 我可以创造一个职业轨迹。 沿着该职业轨迹估计一大堆数据点。 我做到了，我实际上把职业分成了100个 |
| 单位，我对每条曲线的所有一百个单位求和。 所以基本上，我所做的是我得到了曲线下的区域。 |
| 如果它高于那条线，我会减去，如果它低于那条线，我会......对不起......如果我高于那条线，我会添加；在我要减去的线下方。 |
| 如果我们看看总的职业轨迹……这是一个，这实际上是……这是一个更大的列表。 这大约是 1300 或 1400 个投手，所以绝对是每个人…… |
| 绝对是所有符合霍尔资格的人，10 年或更长时间。 因此，让我们真正快速地了解一些我们可以用它做的事情。 |
| 让我们开始吧……让我先看看被冷落的球员。 所以这些是......这些是我们的球员......这些是我的球员被冷落。 所以 |
| 好的，所以这些是 100 个值。 所以，所以，这里的沙子线是 100，因为我已经测量了 100 个不同的值。 |
| 所以你会注意到，在大多数情况下，这些玩家都在 100 人以上。 这是没有进入名单的球员的名单。 如果你看看这些球员， |
| 你会注意到这里有几个人是显而易见的。 人们喜欢 Curt Schilling 和 the and the 和 Roger Clemens 的非非非 |
| 职业原因 for the for the for the for the ...克里斯蒂安提到的其他一些标准不在那里。 但也有一些人，比如克莱顿·克肖，他的职业生涯还没有结束。 |
| 但肯定还有其他人你可能会考虑..那些符合霍尔资格的人。 所以实际上，让我们也来看看。 那么让我们看看那些有资格进入大厅的人，没有进入大厅的人...... |
| BJ瑞恩； Curt Schilling 又在里面了；约翰·桑塔纳，不知道他为什么没能到大厅； Smokey Joe Wood，1900 年代初期的投手；等等。 所以， |
| FDE 允许我从他们职业生涯轨迹的任何地方提取价值的能力是一个额外的工具，让我能够估计一些 |
| 附加标准，关于谁属于大厅，谁不属于大厅。 所以，关于投手的事情就说得够多了。 让我们......我要把它转回克里斯蒂安，这样我们就可以多谈谈位置球员了。 |
| 基督教 | 出色的。 谢谢你，唐。 |
| 正确的。 |
| 好的，唐在谈论投球……投手，所以我在看，我会看位置 |
| 唐科马克 | 球员，所以有两个不同的组成部分。 |
| 基督教 | 你有你的击球能力，还有你的防守能力，我和唐的看法有点不同，就只是 |
| 查看统计数据，然后构建模型。 我最终只从四个更常见的击球统计数据开始，这些是这里列表中的前四个，其中一些你会在棒球卡的背面找到。 |
| 然后随着我的进步，正如我们将看到的，我需要一些东西来捕获被盗的基地，因为前四个并不是真的......根本不这样做。 |
| 因此，我创建了一个指标，我称之为基本单位平均值，它将其他基本跑步者的动作带入......以将这些事情归功于击球手。 然后，当然，守备是一个因素，我们将看到，所以我包括了一些用于守备的指标。 |
| 就像刚才提到的唐一样，我想确保我将苹果与苹果进行比较，所以我正在看 |
| 关于我提到的那些统计数据的位置、联赛和年份。 然后当 |
| 像 Don 一样，我想确保 II 适当地加权那些较小的样本量，以免它们弄乱系统。 所以我最终将球员的表现与上牌次数相对于联赛年的平均水平进行了加权 |
| 在一个特定的阵容位置上，该位置应该在本赛季的过程中出现多少个板块。 所以这就是他们的权重。 |
| 正确的。 那么让我们来看看它是什么样子的。 我们将回到这里再次访问泰德威廉姆斯。 |
| 所以我们看到蒂姆威廉姆斯的职业生涯在左边，我们看到了，这些是原始分数。 |
| 然后看起来他在这里度过了一个非常糟糕的赛季。 |
| 但是，如果，一旦你采取了其中的一个相对组成部分，你可以看到它实际上是一个像唐一样的平均赛季，它仍然高于平均线。 所以对于泰德威廉姆斯来说，按照他自己的标准，这只是一个糟糕的赛季。 |
| 然后我们之前看到，泰德威廉姆斯的这两个高峰可能类似于他的巅峰表现，但事实证明，这些赛季他的样本数量较少……由于他的出场次数 |
| 正在……参加朝鲜战争。 所以他最终对他的分数产生了影响。 由于样本量较小，我相应地再次向平均值加权。 |
| 所以， |
| 这就是我们的数据类型。 我将只关注我谈话中的相关统计数据，并只关注一些引起我注意的事情。 |
| 我们去吧。 我们会这样做的。 |
| 需要这里的数字表来输入 |
| 来自 FDE。 所以这是我们要查看的分数，来自 FDE 的相对 FPC 分数。 |
| 我看到的第一件事是，我在模型中包含了四个变量，前四个击球统计数据，以及 |
| 我只想确保我的分析中包含正确的组件。 所以在左轴上是模型驱动的进入名人堂的概率。 |
| 现在什么...对不起，那是 y 轴，x 轴是这个人是否真的在名人堂。 所以我的错误分类区域是这两个部分。 |
| 我注意到这里的一些球员比我预期的要多。 所以我在探索，我们可能会探索我还没有包括在内的变量，比如被盗的基地。 |
| 所以我会弹出这些颜色和大小。 |
| 如你所见， |
| 我似乎很清楚，被盗基地绝对是名人堂选民考虑的一个因素。 这些是... |
| 所以颜色和大小与他们职业生涯中被盗基地的数量有关。 这就是驱使我创建然后使用的基本单位平均统计数据的原因。 |
| 所以添加...当我探索我描述的那些模型时，我从四个统计数据开始，然后添加了那个 BUA 统计数据。 这是我现在的 x 轴。 |
| 然后我添加了守备统计数据，我们这里有一个平行图，y 轴又是……是模型建议球员应该进入名人堂的概率，现在每条线都是一个玩家。 |
| 所以颜色代表了他们的名人堂地位。 红色是肯定的，已经被录取了，蓝色是没有。 |
| 所以我喜欢这个情节，因为它让我可以看到谁在移动。 如果我能看到模型中这些额外变量的影响。 |
| 当然，首先引起我注意的是这里的这个人，它是如何从一个不是真的 |
| 加上被盗的基础组件，我们可以看到他很有可能被选入名人堂等归属，这取决于你如何看待它。 正是瑞奇·亨德森（Ricky Henderson），他恰好是被盗垒的职业领袖。 |
| 现在另一位球员，只关注防守端，是 Kirby Puckett，他的初步统计表明，根据最初的模型， |
| 他成功了；他有足够的资格越过这条线。 但是，你知道，如果你添加被盗的基础组件， |
| 是的，他实际上似乎不再有资格了。 最后，我们考虑到他是一个非常出色的守场员，他赢得了许多金手套，为双胞胎打中场， |
| 我们看到他重新获得了名人堂委员会的青睐，并且理所当然地投了票。 |
| 这是一种混乱的模型。 |
| 不是凌乱的模型，你在这里做了很多事情。 所以， |
| 我最终添加了我的本地数据过滤器，这样我就可以单独查看每个位置。 |
| 在这里，对于一垒来说，很容易看到我们有红色的人，然后是蓝色的人。 现在我们这里有人，这是托德赫尔顿，至少在我们看到的所有模型中 |
| 建议他应该进入名人堂，他仍然有资格。 所以他还在等电话。 |
| 但是像迪克艾伦这样的人，也有蓝色，不在里面。 他的数据，至少基于汇总统计数据、我们使用的 FDE 统计数据以及模型表明他不应该......他属于大厅。 |
| 还有其他人是红色的，在最底层，比如吉姆托姆，模特们认为他并不真正属于他，但他被选入了。 |
| 因此，随着我们添加这些预测变量，探索这些不同关系的不同方式。 |
| 现在，像唐一样，我想了解，嗯，谁是谁，谁被冷落，谁可能有天赋 |
| 或者至少有，你知道的，非统计导向的组件供他考虑。 |
| 因此，我和 Don 一样，运行了多个模型并确定了四个模型，我喜欢并且在...... |
| 在我作为 x 轴的 FDE 中，我还基于累计出场次数百分比。 所以那将......拥有这两种不同的变体给了我很多模型可供查看。 所以我深入研究了所有八个模型的人， |
| 是名人堂，但没有一个模型表明他们应该是。 这就是这里的这条线。 其中有31个。 |
| 而我在这里用绿色表示的反面，那些模型在任何一个桶中的人......大多数年龄桶中的模型与 Kimball 不同的板块出现百分比表明他们确实属于名人堂，但是他们不是。 所以我把所有这些人都拉了出来 |
| 就像唐想要的那样，比较一下他们的轨迹是什么样的 |
| 有没有......他们至少关闭了，还是这里发生了其他事情？ |
| 所以你可以从上面看到，这又是基础百分比加上重击百分比，OPS。 看起来，红色和加号，被冷落的人表演 |
| 在这个指标上要好得多，事实证明，所有其他进攻性统计指标都比有天赋的人更好，那些参与的人，但模型表明不应该。 |
| 这让我想，嗯，是不是只是进攻数据，也许守备是那些已经发光的人的地方？ 并且基于至少有多少上场率，它实际上表明仍然存在这种情况，其中...... |
| 实际上，这就是被冷落的人。 |
| 那些，有天赋的人看起来仍然像他们...... |
| 他们不一定像这些被冷落的人那样属于。 |
| 仅在潮汐反转的范围因子分量上。 所以你最终会看到有天赋的人超过了表现更好的被冷落的人。 |
| 这是另一个不同的观点，很像唐的观点，你可以用它来评估 |
| 只是模型中包含的组件。 |
| 我们可以通过很多不同的方式查看这里的数据。 |
| 所以结束，因为我相信你们中的一些人只是想知道谁被冷落，谁是这些人中的天才。 |
| 这些是一些被冷落的人，至少在位置球员中，就像唐提到他的一些投手一样，有一些人被禁止参加棒球比赛，所以他们并没有完全被冷落，所以。 |
| 你可能认识其中的一些。 |
| 然后这些是一些有天赋的球员，或者至少他们的统计标准是......这可能不是让他们进入名人堂的原因。 |
| 是的，所以只要总结一下我们的表现，我们已经能够将这些球员的职业生涯轨迹记录在......选择一个指标 |
| 并将其放入功能数据浏览器中，并获取捕捉这些曲线本质的数字摘要。 |
| 然后，反过来，使用这些统计数据，我们能够将这些分数放入我们熟悉的传统统计技术中。 |
| 所以现在我们可以改变这个问题，从你如何建模或量化职业轨迹，并将其修改为我想用这些 FPC 分数探索什么？ |
| 因此，我们希望您喜欢谈论棒球以及与棒球、JMP 和 FDE 的互动。 |
| 并希望您感到有能力去使用 JMP Pro 中提供的 FDE 工具来解决数据问题，例如您最喜欢的球员是谁以及为什么，并拥有支持它的方法。 |
| 感谢您加入我们。 小心。 |
| 唐科马克 | 好的，那么我们如何处理这些需要查看某人的职业轨迹的情况呢？ 是否有其他指标可以进行这些比较，以便 |
| 我们能分辨出这些非常好的渐变吗？ 因此，正如我之前提到的那样，我们可以做的是我们可以我们当然可以我们可以看到沿着这个人的职业轨迹的任何一点 |
| 任何我们想要的渐变。 我做到了。 我取了 100 个数据点，100 个介于 0 和 1 之间的值， |
| 职业生涯的开始，职业生涯的结束，我总结了所有这些价值观。 我这样做了……这项技术的好处是我可以针对多个指标进行操作。 所以，所以现在我们在这里看到的是我们正在看，我们正在看 |
| 所有四个指标的图。 |
| 我们可以将它们全部绘制在一张图上。 我们将再次回到那些被冷落的人身上， |
| 这些人在这里。 就是这样……所以如果我们看看这些人， |
| 我们看到他们有一个低点……顺便说一下，在这种情况下是 100，因为有 100 个观察值。 |
| 每九个一百个本垒打，你想要那个低； |
| 面对超过最低限度的击球手百分比，低；然后是九局以上的三振出局，你想要的偏高。 你会注意到那是一种轨迹 |
| 人们跟随。 那么，关于这一点的有趣之处在于，我能做的是，我能 |
| 使用我想要的任何标准。 举个例子，假设我要看看……我要考虑我所有的球员，我只想考虑那些拥有 |
| 在这种情况下，低于 100 的 WHIP……比那更好……实际上就是……甚至比那更好。 假设 90 或以下。 |
| 好的，让我们看看那些，你知道，至少每九局有平均三振出局次数的人，也许他们的击球手百分比...面对超过 100 的击球手的百分比是最低的。 |
| 所以，我会在这里忽略九个本垒打。 我也，你也可以通过季节数来标准化和规范化，我已经做到了。 |
| 所以我想做的是我想看看那些可能只有10个赛季当量的球员，其中一个赛季当量是基于平均球员赛季的情况。 |
| 好的。 最后，他们在整个职业生涯中承担了什么样的工作量。 假设我们想要一个拥有至少 80% 的人， |
| 让我们更严格一点，比方说，比方说， |
| 大约相同的工作量。 再一次，我们可以使用不同的标准来淘汰那些我们认为不应该考虑的人和那些我们认为我们应该考虑的人，然后使用这些标准...... |
| 我还想说让我们来看看那些不在名人堂里的人。 |
| 所以我们开始吧。 现在我们有一份值得考虑的人名单。 你会注意到他们是相当多的人，可能不应该让你感到惊讶。 这些是人 |
| 要么因为他们还在比赛而还没有在大厅里，要么只是被忽视了，例如，克里斯·塞尔仍在投球。 |
| Curt Schilling，显然不是大厅。 约翰·桑塔纳，为什么，为什么他不在大厅里？ 他实际上是那个被冷落的群体的一部分。 |
| 所以使用这些 FDE 的好处是你可以把它们变成你的职业轨迹，然后使用一个额外的指标来确定 |
| 堂配与非堂配。 |
