281560_ja-JP

liliconcom

FDEを使用してメジャーリーグの野球選手に関する議論を終わらせる、または刺激する（2020-US-30MP-628）

レベル：中級

 

Christian Stopp、JMPシステムエンジニア、SAS
SAS、プリンシパルシステムエンジニア、Don McCormack

 

何世代にもわたるファンは、メジャーリーグベースボール（MLB）の最高の選手が誰であるか、そしてその理由について議論してきました。 メジャーが特定のシーズンの統計（たとえば、ほとんどのホームラン）であるか、キャリアの累積（たとえば、生涯打率）であるかにかかわらず、そのような統計は、プレーヤーのパフォーマンスの軌跡に完全には関連していません。 議論が進むにつれ、自分のキャリアにおけるプレーヤーのパフォーマンスの固有の成長と衰退を捉え、その情報を最小限の損失で抽出することが有益です。

JMPのFunctionalDataExplorer（FDE）は、シリーズデータを分析し、分析のためにこれらの機能データに関連付けられた「トレース」をキャプチャする新しい方法への扉を開きました。 過去のMLBデータに基づいて、プレーヤーのキャリアパフォーマンスを調べる際のFDEのアプリケーションについて説明します。 導出されたスコアを使用して、プレーヤーが殿堂入りに値するか、または値して見落とされているかどうかをどれだけうまく予測できるかを確認し、これらの予測を過去の統計のみに基づく予測と比較します。 テッド・ウィリアムズが本当に史上最高のMLB打者であったことを確認します。 なに、あなたは同意しませんか？ ヤンキースのファンに違いない…

 

 

自動生成されたトランスクリプト...

 

スピーカー	トランスクリプト
キリスト教徒	皆さん、今日ここで仮想バージョンのJMPディスカバリーサミットに参加していただきありがとうございます。 私の名前はクリスチャンストップです。 私はJMPシステムエンジニアです。
	そして今日は、JMPのプリンシパルシステムエンジニアでもある同僚のドンマコーマックが加わりました。
	そして、あなたはおそらく話のタイトルを見たのでここに着きました。 そして、あなたはこれが...あなたはメジャーリーグの野球選手についての野球ファンであり、
	または、それが機能データエクスプローラーに関するものであり、さまざまな環境で機能データエクスプローラーを使用する方法についてもう少し学びたいと考えていました。 それで、今日はこれら2つのトピックを結婚させます。 ドンと私と
	まず、野球ファンのためにもう少し会話を準備します。
	野球選手と野球ファンの間で共通の会話をしているように、あなたはどのように考えるかもしれません
	あなたの好きなプレーヤーは他のプレーヤーと比較して行います、そしてあなたはあなたの友人と、これらの会話をするかもしれません、そしてうまくいけば彼らは維持されます、あなたが知っている、礼儀正しい
	あなたの好きな選手が誰であるか、そしてその理由について。
	そして、それは私がアレックス・ロドリゲスとバリテックの間のこの悪名高い会話が誰であるかについて私が想像した方法のようなものです...彼らの好きなプレーヤーが誰であるかについてのメモを比較します。
	だから私にとって、私の起源は始まりました、そしてドンのように、野球と
	私たちが収集していたバブルガムカードの裏にある野球の統計に興味を持っています。
	そして、あなたがあなたの好きなプレーヤーが誰であるかについてこれらの会話をしているので、あなたは彼らがどれほど良いかという点でプレーヤーが異なることに気付くかもしれませんが、彼らが年をとるときのような異なることも...
	年齢を重ねるにつれて、パフォーマンスが時間の経過とともに低下し始める場所のように、ピークに達します。 そして、おそらく私のようにこれらのプレーヤーのキャリアの軌跡について考えているので、質問したいと思うかもしれません。
	さて、あなたが奇妙なことに私のようであるならば、あなたはあなたが正確にそれをすることができるようにあなたが統計を追求したいと思うと決めます。
	しかし、そのルートをスキップして、私よりも賢く、機能データエクスプローラーのようなツールを使用して、これらの統計を変換するのに役立てることをお勧めします...統計曲線を数値に変換して、作業に使用します。
	ですから、野球に少し慣れていない方のために。
	私たちが目にするのは、野球のパフォーマンスの尺度であるものを反映したデータです。 だから私は野手と
	野手バット。 したがって、彼らの打撃力の指標の1つは、出塁率に長打率またはOPSを加えたものです。
	そして、Y軸では、年齢を重ねるにつれ、数人の異なるプレーヤーの測定値が得られます。 青はベーブ・ルース、赤はテッド・ウィリアムズです。
	そして、ご覧のとおり、これらの軌跡から、どちらもほとんどのキャリアでほぼ同じ品質のパフォーマンスを持っているように見えることがわかります。
	しかし、おそらくベーブ・ルースとは対照的に、テッド・ウィリアムズにとって、彼らがピークに達する場所は、少し年をとったように見えるかもしれないことを知っているかもしれません。
	そして、ベーブ・ルース、他の知識なしにこのプロットを見ているだけなら、彼はその測定値に到達するためにスピードを上げるのにほんの少しの時間が必要だったようです。
	ですから、たくさんあります...これは、数千人のプレーヤーまたは数万人のプレーヤーのうち、検討している可能性のある2人のプレーヤーであり、比較するだけです。
	あなたは彼らのキャリアの軌跡のこれらの特徴について多くの変動性があることを想像することができます。 したがって、プレーヤーの軌道にも明らかに変動性があります。
	したがって、ここでグラフビルダーのスムージング機能を使用して、これらのカーブに関連するノイズを少しスムージングして、そのプレーヤーの軌道に関する信号をよりよく理解することができます。
	そして、その平滑化は、機能データエクスプローラーが採用するそのプロセスで起こっていることと非常に似ていることがわかります。
	だからここに私は機能的なデータエクスプローラーを持っています、そして再び私は...ここでの私の測定基準は出塁率と長打率、OPSです。
	そして、私はただ見ているだけです...これらのプレーヤーの軌跡を比較しているように、FDEでは、機能データエクスプローラーが、ご覧のとおり、これらのプレーヤーの曲線を滑らかにしています。
	次に、これらの曲線に共通するものに関する情報を抽出します。
	そして今、すべてのプレーヤーにとって、それを行うことの見返りとして得られるのは、そのプレーヤーのパフォーマンスに関連するスコアです。 したがって、これらのスコアは、プレーヤーのキャリアの軌跡を、私たちが行うように別の分析を取り除いて使用するための、少し定量的な方法で説明します。
	ですから、少しだけ、これらはハンク・アーロンのスコアであることがわかります。
	そして、機能データエクスプローラーでアクセスできるプロファイラーでは、
	あなたは実際に変更することができます...あなたは年齢を超えたそのプレーヤーのOPSのその軌道をここで見て、次にそれらの値を変更してそのプレーヤーのスコアが何であるかを反映し、より良くなることができます...彼らの
	それらのスコアでの彼らのキャリアの軌跡。
	そうですね、FDEとそれをここで使用する方法について少し説明します。 ドンと私が現在装備しているこれらの統計について話しているのがわかります。
	これらのプレーヤーのスコアは、機能データエクスプローラーから取得し、最初に開始した曲線から取得します。 そして、それを使用します...私たちが行っていることのいくつかは、おそらく殿堂入りのステータスのように予測しています。
	そして、誰が殿堂入りしているのか、もっと興味深いことに、殿堂入りしているプレイヤーは誰なのか、統計がサポートしていないためにそうすべきではないのかもしれません。
	または、殿堂委員会がスナッブしたと思われるプレーヤーを特定することもできます。 そこで、使用したさまざまなメトリックと、それらをどのように修正したかについて少し説明します。
	そして、FDEを使用してこれらのキャリアの軌跡を取得し、スコアを取得して、他の場合と同じように予測を行います。
	したがって、野球をフォローしていない場合、殿堂入りの資格...資格要件は、プレーヤーが少なくとも10年、つまり10シーズンプレーし、待つ必要があることです...あなたは5年待つ必要があります'資格があります。
	そして、あなたには10年間の資格があり、人々はあなたに投票することができます。 ですから、まだ電話を待っているプレーヤーが2人います。
	ホールは異なる選択基準を使用しますが、これは主にプレーヤーのパフォーマンスに関するものですが、これらの他のことも考慮に入れています。
	使用しているデータソースであるLahmanDatabaseには含まれていないため、測定が困難です。 そのため、フィールドでの統計的能力を反映した分析に固執しています。
	そしてもちろん、150年の野球選手が野球をしていると、彼らがさまざまな時代にプレーしていることに気付くかもしれません。
	そのため、プレーヤーを仲間と比較していることを確認したいと思います。 だから私たちはそれを考慮に入れるつもりです、あなたが知っている、多分彼らがプレーした年を考慮に入れて、
	または、さまざまな要件が関連付けられているために彼らが演じたポジション...通常はさまざまなポジションに関連付けられます。
	そして、異なるリーグには異なるルールがあります。それも検討します。
	ここでやめます。 ピッチングにキックオーバーしてから、戻って野手について話します。
donmccormack	クリスチャンが言ったように、私はピッチングについて少し話しますが
	私がそれをしている間、その前に私はそれをしている、
	私がやりたいのは、クリスチャンが言及した最初のポイントのいくつかを説明したいと思います。 良いデータであるもの
	分析手法、使用するモデリング手法に関係なく、実際に実行する必要があること、
	ただし、FDEを使用してデータをモデル化する前に、これらを実行することをお勧めします。 データのクリーニングについて具体的に説明します。
	データを正規化することで、人を平等に比較し、最後にデータをモデル化できます。 実例として、私が持っているもの...あなたが今画面に表示しているもの、
	私たちは、すべて殿堂入りしている3つの非常に異なる投手を調べています。 赤い線はノーラン・ライアンです。
	非常に長いキャリア、約27年のキャリア。 緑の線、真ん中の線、それはホイト・ウィルヘルムです。
	若い人たちの中には、ホイト・ウィルヘルムが誰なのかわからない人もいるかもしれません。彼は50代前半から72歳までピッチングしたと私は信じています。
	かなり長いキャリア。複数の時代にまたがった。 彼は主に救済者でしたが、今日の救済者について知っているような救済者ではありませんでした。 彼は彼が救済するために出かけたとき、
	yあなたが知っている、彼は6イニングを投げるかもしれません。 さて、今日の救援者からは非常に、非常に非定型です。 青い線はトレバーホフマンで、サンディエゴパドレスにとても近いです。 しかし、繰り返しになりますが、非常に異なる投手です。 つまり、問題は、私たちが何をするのか、このデータをどのように準備するのかということです。
	そして、これらの3人すべてを等しく比較できるような方法で設定しますか？ 最初に述べたのは、データをクリーンアップしたいということです。 ちなみに、4つの異なるメトリックを使用します。 使用します
	WHIP（投球回あたりのウォークとヒット）、9回あたりの三振、9回あたりの本塁打、およびメトリック
	最小値を超えて直面した打者の割合と呼ばれるものを簡単に作成しました。ここでは、投手が直面した打者の数を、得た合計アウト数で割ったものです。
	そして1を引いた。 ここでの考え方は、直面したすべての打者がそれを成し遂げた場合、それは完璧なものになるということです。
	さて、これらの4つのメトリックを見ていきます。 正規化をどのように定義するかという点で、さまざまな基準があります。
	外れ値をどのようにスクリーニングしているかという点で、PowerPointデッキを含める予定です
	詳細を確認するためにご覧ください。ただし、時間の都合上、ここでは説明しません。 したがって、最初に行うことは、データをクリーンアップすることです。 たとえば、ノーラン・ライアンが最初の年に売り込んだことに気付くでしょう。
	投球3回。非常に、非常に高いWHIP。 ここのいくつかの季節として、私はトレバーホフマンだと思います
	少量を投げた。 それで、データを除外することから始めます。 それはすばらしい。 範囲が縮小されているため、分析を行う前に、データから外れ値を取得することをお勧めします。
	私が言及したいもう1つのステップは、FDEを実行したとき、プラットフォーム内のこのデータでFDEを使用したときに、追加の外れ値スクリーニングを実行できることです。
	使用している列が複数ある場合でも、
	あなたはスクリーンだけです...あなたは列全体をスクリーニングしているのではありません。与えられた入力の値を選別するだけです。これは非常に優れた機能です。 まだあったのでそれも使ってます
	私の最初のスクリーニングでさえ、私が取り除く必要のあるいくつかの異常がまだありました。
	データをクリーンアップします。 正規化は2番目です。 したがって、正規化によって、私が行ったことは、基本的にX軸で正規化したことです。 そして、Y軸で正規化しました。 そう、
	ここで見ているのは季節の数です。 したがって、これらのシーズンのそれぞれが個別のエンティティ全体として扱われますが、一部のシーズンでは、一部の投手が他のシーズンよりも多くのイニングを投げることを私たちは皆知っています。
	ですから、季節を実体として見るのではなく、キャリアアウトの累積パーセントを見ていきます。 だから私は、シーズンの終わりに投手が非常に多くの累積的なキャリアアウトをしたことを知っています、そしてそれはそこに、全体または全体のキャリアの特定の割合です
	アウト。それで、それを使ってデータをスケーリングします。 これの素晴らしいところは、3人の投手全員が同じになっていることに気付くでしょう。
	xスケール。 すべて、すべてが0から1にスケーリングされます。 だから、本当にいい...
	FDE分析の観点からすると、本当に素晴らしいものです。 そして最後に、Y軸にもスケーリングしたいと思います。
	そして、私がやったことは、WHIPをピッチャータイプと彼らがピッチングした時代の平均WHIPで割ったことだけです。 だから私は相対的なWHIPを持っています。 これらの相対値を使用することのもう1つの優れた点は、
	私は砂の中の私の線がどこにあるか知っています。 相対WHIPが1の投手は平均的な投手だと知っています。 だからこの場合、私は投げる人を探します
	WHIPが1つになっています。 したがって、これらの3人の投手は、ほとんどのキャリアで、1人でそのラインの下にいたことに気付くでしょう。 さて、私がやろうとしている最後のことは、
	FDEを使用して、その軌道、つまり軌道をモデル化したいのです。 ここで、データをそのまま使用する場合の問題の1つ、データをそのまま使用する場合の2つの問題です。 1つは、かなりでこぼこしているということです。
	そして、これらすべての浮き沈みでのキャリアの軌跡を推定するのは本当に難しいでしょう。 第二に、
	最終的に私がやりたいのは、FDEから生成したそのメトリックを使用したいということです。この軌跡を使用して、全体的なキャリアの見積もりを作成します。 だから私の季節や私の累積パーセントを見るのではなく
	個別のエンティティ、私は継続的なキャリア全体にわたってそれをモデル化できるようにしたいと思います。 そして、それは少し後でわかります。 だから私は私の代わりになります
	パーセント私の...ごめんなさい...条件付き...私のWHIP、この条件付きFDE推定値を使用した私の相対的なWHIP。 さて、あなたは私がそれらの2つに戻るのを見たかもしれません、あなたは言うかもしれません、ああ、男の子、それは何ですか...何
	両者の大きな違いは何ですか、それは本当に良い仕事をしているのですか？ そのグラフからはちょっとわかりにくいです。 だから、私が何をしたいのか
	実際にそれがどのように見えるかをお見せします。 だからここで私がしたことは私が引き上げたことです
	、、、、、離散値。 ちなみに、これはノーラン・ライアンです。 ノーラン・ライアンの離散測定値と、彼の曲線
	条件付きFDE推定では、同じギザギザのパスやでこぼこのパスをたどらないことがわかりますが、推定は適切に行われます。
	彼のキャリアの軌跡は何ですか。 そして一般的に彼のWHIPで
	高い、最初は、彼は多くの人々を歩き、非常に、非常にワイルドな投手であり、彼のキャリアの最初の部分では、信じられないかもしれませんが、はるかにワイルドでした。
	しかし、彼のキャリアが進むにつれて、それは良くなりました。 そして、これは私が選んだピッチャーのいずれかでこれを見るでしょう。 たとえば、に行く場合は、ホイト・ウィルヘルムに行きましょう。
	これがウィルヘルムです。 繰り返しになりますが、絶対的な高低を捉えることはできませんが、彼のキャリアが進んだ場所の一般的な方向をモデル化するのに役立ちます。
	さて、それを使って聞いてみましょう。 限られた時間しかありません。 私があなたに見せることができるいくつかのきちんとしたものがあるので、私はもっと時間があればいいのにと思います。
	しかし、私は...私がスナッブと呼んでいるものから始めます。 さて、これらは...だから私が言及したこれらの4つのメトリックでFDEを使用したプレーヤーです。
	私はそれらをピッチャータイプとともに入力として使用し、さまざまな予測モデリング手法を試しました。 私にとって最も効果的な2つは、単純ベイズ分類器でした。
	分析を区別します。 そして、私はこれらの2つのモデリング手法を使用して、誰が参加したか...誰が参加すべきか、そして誰が参加すべきでないかを教えてくれます
	そしてそれが...私たちがここで見ているのは、単純ベイズ分類器と識別分析の両方がイエスと言った投手たちを見ているということです。
	しかし、殿堂はノーと言った。だからこれらは私の...これはスナッブです。 したがって、この場合は...そしてこれに切り替えさせてください。 これがアプリです。 これは相対的なWHIPです。 条件付きWHIPで行きましょう。
	そして、先に進んで、その参照線を1つに戻すと、ほとんどの場合、これらはトップを費やした投手であることがわかります...彼らのキャリアの大部分
	その一行の下に。 さて、このデータを見て、あなたが考えるかもしれないもう一つのことは、
	うわー、これらのプレーヤーを区別するのは本当に難しいでしょう。 今、これらをどのように比較しますか？たとえば、ホールにいた数人の投手を置くとしたら、
	このリストにもあります。 つまり、彼らは...それだけでそれらを分離するのは難しいでしょう
	彼らのキャリアのいくつかは他の人よりも優れているので、彼らを目で見て、彼らは彼らのキャリアの他の部分に切り替えます。 どのように私は、キャリアレベルでこれにどのように対処しますか？
	先に述べたように、機能データエクスプローラーの優れた点の1つは、そのデータを取得できることです。
	そして、私はキャリアの軌跡を作成することができます。 そのキャリアの軌跡に沿って大量のデータポイントを推定します。 そして、私は実際にキャリアを100に分割したことをしました
	単位と私は、私の曲線のそれぞれについて、それらの100単位すべてを合計しました。 つまり、基本的には、曲線の下の領域のようなものを取得しました。
	その1行より上にある場合は減算し、その1行より下にある場合は、...申し訳ありません...その行より上にある場合は加算します。線の下で私は引くでしょう。
	そして、私たちが総キャリアの軌跡を見ると...これは、これは実際には...これはより大きなリストです。 これは約1300または1400のピッチャーなので、絶対に...
	絶対にホールの資格を持っていたすべての人、10年以上。 それでは、これを使ってできることをいくつか簡単に見ていきましょう。
	始めましょう...スナッブされたプレイヤーを見てみましょう。 だからこれらは...これらは私たちのプレーヤーです...これはスナッブされた私のプレーヤーです。 そう
	さて、これらは100個の値です。 つまり、測定した100の異なる値があるため、ここの砂の線は100になります。
	したがって、ほとんどの場合、これらのプレーヤーは100を超えていたことがわかります。 これは、リストを作成しなかったプレーヤーのリストです。 そして、これらのプレーヤーを見てみると、
	ここには明らかな人が何人かいることに気付くでしょう。 カート・シリングやザ・アンド・ザ・アンド・ロジャー・クレメンスのような人々
	クリスチャンが言及した他の基準のいくつかはそこにありません。 しかし、たとえばクレイトン・カーショウのように、まだキャリアを積んでいない人もいます。
	しかし、あなたが検討するかもしれない他の人々が確かにいます..それはホールの資格があります。 それでは、実際に、それも見てみましょう。 それでは、ホールの資格があり、ホールにいなかった人々を見てみましょう...
	BJライアン;再びカート・シリングがそこにいます。ヨハン・サンタナ、なぜ彼がホールに行かなかったのかわからない。スモーキージョーウッド、1900年代初頭の投手。等々。 そう、
	FDEを使用して、キャリアの軌跡に沿ってどこからでも値を抽出できるようにする機能は、いくつかを見積もることができる追加のツールです。
	誰がホールに属し、誰がホールに属していないかという点で、追加の基準。 だから、ピッチャーについては十分に言った。 さあ、クリスチャンに戻して、野手についてもう少し話しましょう。
キリスト教徒	優秀な。 ありがとう、ドン。
	右。
	さて、ドンはピッチングについて話していました...ピッチャーと私が見ているので、私は位置を見ます
donmccormack	プレーヤー、そしてそれに入る2つの異なるコンポーネントがあります。
キリスト教徒	あなたはあなたの、あなたの打撃力、そしてあなたの守備力を持っています、そして私はドンがしたのとは少し違うテイクを取りました
	統計を見て、モデルを構築します。 私は最終的に、より一般的な打撃統計の4つだけから始めました。これらは、ここのリストの最初の4つであり、野球カードの裏側にあるものの一部です。
	そして、進行中、盗塁をキャプチャするために何かが必要でした。最初の4つは実際にはそうしないからです...まったくそうしないでください。
	それで、私はベースユニット平均と呼ぶメトリックを作成しました。これは、他のベースランナーの動きに影響を与え、それらのことについてバッターにクレジットを与えます。 そしてもちろん、フィールディングも要因であるため、フィールディングのメトリックをいくつか含めました。
	そして、先ほど述べたドンのように、私はリンゴとリンゴを比較したかったので、私は見ています
	このための位置とリーグと年に関して、私が言及したそれらの統計。 そしていつ
	ドンのように、私はIIがそれらの小さいサンプルサイズに適切に重み付けして、システムを混乱させないようにしたかったのです。 そのため、そのリーグの年の平均の種類と比較して、プレートの出現数に対してプレーヤーのパフォーマンスを重み付けすることになりました。
	特定のラインナップスロットで、そのスロットがシーズン中にいくつのプレートの出現を取得する必要があるか。 それが彼らの重み付けの仕方です。
	右。 それでは、それがどのように見えるか見てみましょう。 ここに戻ってテッド・ウィリアムズをもう一度訪ねます。
	ですから、ここの左側にティム・ウィリアムズのキャリアがあります。これが生のスコアです。
	そして、彼はここで本当に悪いシーズンを過ごしたようです。
	しかし、その相対的な要素を取得すると、それが実際にはドンのような平均的な季節であることがわかりますが、それでも平均的な1つの線を上回っています。 それで、それは彼自身の基準でテッド・ウィリアムズにとってちょうど一種の悪い季節でした。
	そして、テッド・ウィリアムズのこれら2つのピークが彼のピークパフォーマンスに似ている可能性があることを以前に見ましたが、それらは彼のサンプル数が少ないシーズンであることがわかりました...
	朝鮮戦争に出かける... それで彼はそれが彼のスコアに影響を与えることになった。 サンプルサイズが小さいため、それに応じて再び平均に向かって重み付けしました。
	そう、
	それが私たち、データの種類です。 ここでの会話では、相対的な統計だけに焦点を当て、目を引いたもののいくつかに焦点を当てます。
	そこに行きます。 そして、それを行います。
	フィードするには、ここに数字の表が必要です
	FDEから。 これが、これから検討するスコア、つまりFDEからの相対的なFPCスコアです。
	そして、私が最初に見たのは、モデルに4つの変数、最初の4つの打撃統計、および
	分析では、適切なコンポーネントが含まれていることを確認したかっただけです。 したがって、左側の軸は、殿堂入りするモデル主導の確率です。
	さて...すみません、それはy軸です。x軸は、その人が実際に殿堂入りしているかどうかです。 したがって、私の誤分類領域は、ここにあるこれら2つのセクションです。
	そして、私は、私が予想していたよりも多くのプレーヤーがここにいることに気づきました。 だから私は調査していて、盗塁のように、まだ含めていない変数を調査するかもしれません。
	それで、色とサイズのためにそれらをポップします。
	そしてあなたが見ることができるように、
	盗塁は間違いなく殿堂入りの有権者が考慮に入れていた要因であることは私にはかなり明白に思えました。 これらは...
	そのため、色とサイズは、キャリアを通じて盗塁の数に比例します。 そして、これが私がその後使用した基本単位の平均統計を作成するように私を駆り立てたものです。
	それで、追加します...私が説明したように私がそれらのモデルを調査していたとき、私は4つの統計から始めて、それからそのBUA統計に追加しました。 これが私のx軸です。
	次に、フィールド統計を追加しました。ここにあるのは平行プロットです。ここで、y軸は再び...プレーヤーが殿堂入りする必要があることを示唆するモデルの確率であり、各線は現在選手。
	そのため、色は殿堂入りのステータスを表しています。 赤は「はい」、すでに認められており、青は「いいえ」です。
	そして、私はこのプロットが好きです。なぜなら、誰が動いているかを見ることができるからです。 モデル内のこれらの追加の変数の影響を確認できれば。
	そしてもちろん、私の目を引いた最初のことは、ここにいるこの男でした。
	盗塁を追加することで、見方によっては、彼が殿堂入りを果たしている可能性が高いことがわかります。 そして、盗塁のキャリアリーダーであるリッキー・ヘンダーソンです。
	今、別のプレーヤーは、物事の防御的な側面を見ているだけで、カービー・パケットです。その初期の統計は、初期のモデルに基づいて、
	彼がそれを成し遂げること。彼は一線を越えて十分な資格を持っています。 しかし、盗塁コンポーネントを追加すると、
	ええ、彼は実際にはもう資格がないようです。 そして最後に、彼は本当に優秀な野手であり、双子のセンターフィールドでプレーしているゴールデングローブの数を獲得したという事実を入れました。
	彼が殿堂委員会の良い恵みに戻って、正当に投票したことがわかります。
	これはちょっと厄介なモデルです。
	乱雑なモデルではなく、ここで多くのことを行いました。 そう、
	最終的にローカルデータフィルターを追加して、各位置を個別に確認できるようにしました。
	そして、ここの一塁手については、私たちが赤で、次に青で人々を持っていることを確認するのははるかに簡単です。 今ここに誰かがいます、これはトッド・ヘルトンです、少なくとも私たちが見ていたすべてのモデルで
	彼は殿堂入りするべきであり、彼はまだ資格があることを示唆している。 それで彼はまだ電話を待っています。
	しかし、ディック・アレンのような人は、中にはなく、青もあります。 彼の数は、少なくとも要約統計量、私たちが使用しているFDE統計量、およびモデルに基づいて、彼がホールに所属するべきではないことを示唆しています。
	そして、ジム・トーミのように、モデルが彼が実際には所属していないことを示唆しているが、彼が投票された、下の方に赤い人がいます。
	したがって、これらの予測子を追加するときに、それらの間のさまざまな関係を調査するさまざまな方法があります。
	さて、ドンのように、私は、誰が、誰が、誰が、誰が、誰が、才能を持っていたのかを理解したかったのです。
	または、少なくとも、統計的に方向付けられていないコンポーネントを彼の検討対象として持っていました。
	だから私はドンのように、多くのモデルを実行し、私がいた4つのモデルに落ち着きました。私は、年齢だけでなく、予測的な仕事、そしてドンのように、好きで最高の仕事をしました。
	x軸としてのFDEでは、累積再生回数に基づいています。 そして、それは...これらの2つの異なるバリアントを持っていることで、私は多くのモデルを見ることができました。 そして、私は8つのモデルすべてにまたがる人々だけにドリルダウンしました。
	殿堂入りしていますが、どのモデルもそうあるべきだとは示唆していません。 これがこの行です。 それらの31があります。
	そして、私がここで緑色で示している裏側は、いずれかのバケットのモデルを使用している人々です...どちらかのバケットのモデルの大部分とキンボールのプレートの外観の違いは、殿堂入りしていることを示唆していますが、彼らはそうではありません。 だから私はこれらすべての人々を引き出しました
	ドンが望んでいたように、彼らの軌道がどのように見えるかを比較してください
	そしてそこに...彼らは少なくとも近くにいますか、それともここで何か他のことが起こっていますか？
	そして、これから、出塁率と長打率、OPSが再びわかります。 確かに、赤とプラスの記号で、スナッブされた人々が演じたように見えます
	このメトリックでははるかに優れており、結局のところ、他のすべての攻撃的な統計メトリックは、才能のある人々、参加している人々よりも優れていますが、モデルはそうではないことを示唆しています。
	そして、それは私に考えさせました、まあ、それはただの攻撃的な統計であり、おそらくフィールドは、すでに入っていた人々が輝いている場所ですか？ そして、少なくとも守備率に基づいて、それは実際にはそれがまだ当てはまるということを示唆しています...
	実際、これはこのスナッブされた人々です。
	、才能のある人々はまだ彼らがそうであったように見えます...
	彼らは必ずしもこれらのスナッブされた人々がするほど多くに属しているわけではありません。
	流れが逆転したのはレンジファクターの要素だけでした。 そして、あなたは才能のある人々がより良いパフォーマンスをしたスナッブされた人々を上回っているのを見ることになります。
	これは、ドンのように、評価に使用できる別の別の見方です。
	モデルに含まれているコンポーネントだけです。
	ここでデータを見ることができるさまざまな方法。
	だから、あなた方の何人かは、誰がスナッブされ、誰がそれらの人々の間で才能があるかを知るためにただ燃えていると確信しているので、ただ締めくくります。
	これらは、少なくとも野手の間でスナッブされた人々の一部であり、ドンが彼のピッチャーの一部について述べたように、野球を禁止されているこれらの人々のいくつかがいるので、彼らは正確にスナッブされていません。
	あなたはおそらくこれらのいくつかを認識しています。
	そして、これらは才能のあるプレーヤーの一部です、または少なくともそれは彼らの統計の基準だけです...それは殿堂で彼らを獲得したものではなかったかもしれません。
	そうです、これまでのところを締めくくるだけで、プレーヤーのパフォーマンスのキャリアの軌跡をとることができました...メトリックを選択してください
	それを機能データエクスプローラーに入れて、それらの曲線の本質を捉えた数値の要約を取得します。
	次に、これらの統計を使用して、私たちが慣れ親しんでいる従来の統計手法にそれらを入れることができるようになります。
	そして今、私たちはその質問をあなたがキャリアの軌跡をモデル化または定量化する方法からそれを修正して、私が持っているこれらのFPCスコアで何を探求したいのかという質問に変えることができますか？
	ですから、野球について、そして野球とJMPおよびFDEとの相互作用についてお楽しみいただけたでしょうか。
	また、JMP Proで利用可能なFDEツールを使用して、お気に入りのプレーヤーが誰であるか、その理由などのデータを使用して質問に対処し、それをバックアップする手段を利用できるようになることを願っています。
	ご参加いただきありがとうございます。 気をつけて。
donmccormack	では、誰かのキャリアの軌跡を見る必要があるこれらのケースにどのように対処するのでしょうか。 これらの比較を行うことができる他のメトリックはありますか？
	これらの本当に細かいグラデーションを区別することができますか？ 先ほど触れたように、私たちにできることは、その人のキャリアの軌跡に沿ったあらゆるポイントを確実に見ることができるということです。
	必要なグラデーションの量で。 そして、私はそれをしました。 100個のデータポイント、0から1までの100個の値を取得しました。
	キャリアの始まり、キャリアの終わり、そして私はそれらすべての価値観を要約しました。 そして、私はこれを行いました...この手法の良いところは、複数のメトリックに対してそれを実行できることです。 だから今、私たちがここで見ているのは私たちが見ていることです、私たちは見ています
	4つのメトリックすべてのプロット。
	それらすべてを1つのグラフにプロットできます。 スナッブされた人々のグループに再び戻ります、
	これらの人々はここにいます。 そうです...だから私たちがこれらの人々を見てみると、
	ちなみに、100回の観測があったのでこの場合は100回と低かったことがわかります。
	9本塁打あたり100本塁打、あなたはそれを低くしたい。
	打者の割合が最小値を超えて低くなっています。そして9イニング以上の三振、あなたはハイサイドになりたいです。 あなたはそれが一種の軌道であることに気付くでしょう
	人々が従うこと。 さて、この点で面白いのは、私にできることは、
	私がしたい任意の基準を使用してください。 たとえば、私が見ていくとしましょう...私はすべてのプレーヤーを考慮し、持っていた人々だけを考慮したいと思います
	以下のWHIP、この場合は100...それよりも優れています...それは実際には...それよりも優れています。 90以下としましょう。
	さて、少なくとも9イニングあたりの平均三振数を持っている人々を見てみましょう。おそらく、100を超える打者あたりの打者は最低です。
	それで、ここでは9本塁打を無視します。 また、季節の数で標準化および正規化することもできますが、これは正確に実行しました。
	ですから、私がやりたいのは、シーズンに相当するものが10しかないプレーヤーを調べたいということです。ここで、シーズンに相当するものは、平均的なプレーヤーのシーズンに基づいています。
	わかった。 そして最後に、彼らが彼らのキャリア全体にわたってどのようなワークロードを持っていたか。 そして、少なくとも80％の人が欲しいとしましょう。
	もう少し厳しくしましょう、たとえば、
	ほぼ同じワークロード。 繰り返しになりますが、さまざまな基準を使用して、検討すべきではないと思われる人々と、検討すると思われる人々を排除し、それらの基準を使用することができます...
	また、殿堂入りしていない人々を見てみましょう。
	だからここに行きます。 これで、検討する価値のある人々のリストができました。 そして、あなたは彼らがおそらくあなたを驚かせるべきではないかなりの数の人々であることに気付くでしょう。 これらは人々です
	彼らがまだプレーしているためにまだホールにいないか、単に無視されていることを知っている、たとえば、クリス・セールはまだピッチングしています。
	カート・シリングは、明らかな理由から、ホールではありません。 ヨハン・サンタナ、なぜ、なぜ彼はホールにいないのですか？ 彼は実際にそのグループの一部であり、それはスナッブされました。
	したがって、これらのFDEを使用することの良い点は、FDEを取得してキャリアの軌跡に変換し、追加のメトリックを使用して決定できることです。
	ホールの価値と非ホールの価値。

 

起こるデータ探索予測モデリング