Relatore | Trascrizione |
| cristiano | Quindi grazie, gente, per esservi uniti a noi qui oggi al JMP Discovery Summit, la versione virtuale. Mi chiamo Christian Stopp. Sono un ingegnere di sistema JMP. |
| E oggi sono raggiunto dal mio collega Don McCormack, che è anche ingegnere di sistema principale per JMP. |
| E probabilmente sei arrivato qui perché hai visto il titolo del discorso. E hai visto che questo era... sei un fan di baseball dei giocatori della Major League Baseball e volevi entrare |
| oppure hai visto che si trattava di Functional Data Explorer e volevi imparare un po' di più su come utilizzare Functional Data Explorer in diversi ambienti. Quindi sposeremo questi due argomenti oggi. Don ed io e |
| Per prima cosa orienterò la mia conversazione un po' di più per i fan del baseball. |
| Proprio mentre stiamo avendo conversazioni comuni tra giocatori di baseball e appassionati di baseball, potresti pensare a come |
| il tuo giocatore preferito fa rispetto ad altri giocatori e potresti avere con i tuoi amici queste conversazioni e si spera che siano mantenute, sai, educate |
| su chi è il tuo giocatore preferito e perché. |
| Ed è così che ho immaginato che questa famigerata conversazione tra Alex Rodriguez e Varitek riguardasse solo chi... confrontando le note su chi fosse il loro giocatore preferito. |
| E così per me, la mia origine è iniziata, e come quella di Don, rispetto all'amore per il baseball e |
| essere interessato alle statistiche sul baseball che troverai sul retro delle carte di gomma da masticare che raccoglievamo. |
| E così mentre hai queste conversazioni su chi è il tuo giocatore preferito, potresti notare che i giocatori differiscono per quanto riguarda quanto sono bravi, ma anche cose diverse come quando invecchiano... |
| man mano che invecchiano, dove raggiungono il picco, come dove la performance inizia a diminuire nel tempo. E quindi mentre stai pensando forse come me alle traiettorie di carriera di questi giocatori, potresti voler chiedere, beh, come faccio a catturare o modellare quella performance nel tempo? |
| Ora, se sei stranamente come me, decidi di voler perseguire le statistiche in modo da poter fare esattamente questo. |
| Ma ti incoraggerei a saltare quella strada ed essere più intelligente di me e usare semplicemente uno strumento come Esplora dati funzionali per aiutarti a trasformare quelle statistiche ... curve statistiche in numeri da utilizzare per i tuoi sforzi. |
| Quindi per quelli di voi che hanno un po' meno familiarità con il baseball, ma |
| quello che vedremo sono dati che riflettono cose che sono misure delle prestazioni del baseball. Quindi parlerò di giocatori di posizione e |
| batta i giocatori di posizione. E quindi una delle metriche della loro abilità in battuta è la percentuale in base più la percentuale di slugging o OPS. |
| E così sull'asse Y, ho quella misura per un paio di giocatori diversi mentre invecchiano. E il blu è Babe Ruth e il rosso è Ted Williams. |
| E come puoi vedere, da queste traiettorie hai la sensazione che entrambi sembrano avere la stessa qualità di prestazioni nella maggior parte delle loro carriere. |
| Ma potresti sapere che il punto in cui raggiungono il picco potrebbe sembrare un po' più grande per Ted Williams, al contrario di Babe Ruth. |
| E Babe Ruth, sembra che forse avesse bisogno solo di un po' di tempo per mettersi al passo per arrivare a quella misura se stai solo guardando questa trama senza altre conoscenze. |
| Quindi ci sono molti...questi sono solo due giocatori tra le migliaia di giocatori o decine di migliaia che potresti prendere in considerazione e guarda solo il confronto, |
| puoi immaginare che ci sia molta variabilità su queste caratteristiche delle loro traiettorie di carriera. Quindi c'è anche una chiara variabilità all'interno della traiettoria di un giocatore. |
| Quindi potrei usare qui la funzione di smoothing di Graph Builder e appianare un po' il rumore associato a quelle curve, per avere un'idea migliore del segnale sulla traiettoria di quel giocatore. |
| E si scopre che quel livellamento è molto simile a quello che sta succedendo in quel processo impiegato da Functional Data Explorer. |
| Quindi qui ho esploratore di dati funzionale e di nuovo sono ... la mia metrica qui è la percentuale di base più la percentuale di slugging, OPS. |
| E sto solo cercando di vedere... come se stessimo confrontando queste traiettorie dei giocatori, ora, in FDE è, Functional Data Explorer, sta appianando quelle curve dei giocatori, come puoi vedere, |
| e quindi estrarre informazioni su ciò che è comune in quelle curve. |
| E quindi per ogni giocatore ora, ciò che ottieni in cambio per farlo è, sono i punteggi associati alle prestazioni di quel giocatore. E quindi questi punteggi descrivono la traiettoria di carriera del giocatore in un bel modo quantitativo da portare via e utilizzare un'altra analisi come faremo. |
| Quindi è solo, puoi vedere che un po', questi sono i punteggi di Hank Aaron. |
| E nel profiler a cui... a cui puoi accedere nell'esploratore dei dati funzionali, |
| puoi effettivamente cambiare... puoi guardare quella traiettoria qui per l'OPS di quel giocatore nell'età superiore e poi cambiare quei valori per riflettere quali sono i punteggi di quel giocatore e ottenere una migliore... replicare i loro |
| la loro traiettoria di carriera con quei punteggi. |
| Giusto, quindi questo è un po' su FDE e su come utilizzarlo qui. Quindi vedrai io e Don parlare di queste statistiche di cui ora siamo dotati, |
| questi punteggi dei giocatori che otteniamo dall'esploratore di dati funzionali, che li ricava da quelle curve con cui abbiamo iniziato. E quindi lo useremo... qualcosa che stiamo facendo è prevedere come forse lo status di Hall of Fame. |
| E non solo chi è nella Hall of Fame a cui appartengono, o più interessante, come forse, chi sono i giocatori che sono nella Hall of Fame che forse non dovrebbero esserci perché le statistiche non lo supportano |
| o forse identificare i giocatori che il comitato della Hall of Fame sembra aver snobbato. Quindi parleremo un po' solo delle diverse metriche che abbiamo utilizzato e di come le abbiamo riviste. |
| E poi prendere quelle traiettorie di carriera usando FDE e poi tirare fuori i punteggi e fare la previsione, come faremmo normalmente con altre cose. |
| Quindi, se non hai seguito il baseball, l'idoneità alla Hall of Fame... i requisiti di idoneità sono che un giocatore deve giocare almeno 10 anni, quindi 10 stagioni, e ha dovuto aspettare... devi aspettare cinque anni prima di sei idoneo. |
| E poi hai 10 anni durante i quali sei idoneo e la gente può votarti. Quindi vedremo un paio di giocatori che hanno ancora... che stanno ancora aspettando la chiamata. |
| La sala utilizza criteri di selezione diversi che riguardano principalmente la performance del giocatore, ma tengono conto anche di queste altre cose |
| l'origine dati che stiamo utilizzando, Lahman Database, non include, quindi è difficile da misurare. Quindi ci limitiamo alle analisi che riflettono la loro abilità statistica sul campo. |
| E ovviamente dopo, sai, 150 anni di giocatori di baseball che giocano a baseball, potresti riconoscere che giocano in epoche diverse. |
| E quindi vogliamo essere sicuri di confrontare i giocatori con i loro coetanei. E quindi prenderemo in considerazione questo, sai, forse l'anno in cui hanno giocato, |
| o la posizione che hanno ricoperto poiché sono associati requisiti diversi ... in genere sarebbe associata a posizioni diverse. |
| E poi campionati diversi hanno regole diverse; peseremo anche quello. |
| Ecco dove mi fermerò. Don passerà al lancio e poi tornerò e parlerò dei giocatori di posizione. |
| donmccormack | Quindi, come ha detto Christian, parlerò un po' del pitching ma |
| mentre lo faccio, prima lo faccio, |
| quello che vorrei fare è illustrare alcuni di quei punti iniziali che quel cristiano ha menzionato. Le cose che sono buoni dati |
| tecniche analitiche, cose che davvero devono essere fatte, indipendentemente dalla tecnica di modellazione che usi, |
| tuttavia, risulta che sono buone cose da fare prima di modellare i dati utilizzando FDE. Parlerò in particolare della pulizia dei dati, |
| sulla normalizzazione dei dati, in modo da poter confrontare le persone allo stesso modo, e infine modellare i dati. Quindi, a titolo illustrativo, quello che ho... quello che vedi sullo schermo in questo momento, |
| stiamo guardando tre lanciatori molto diversi che sono tutti nella Hall of Fame. La linea rossa è Nolan Ryan, |
| una carriera lunghissima, circa 27 anni di carriera. La linea verde, la linea di mezzo, è Hoyt Wilhelm. |
| Per alcuni di voi giovani, potreste non sapere chi Hoyt Wilhelm; ha lanciato a partire dai primi anni '50 fino al 72, credo. |
| Carriera abbastanza lunga; attraversato più epoche. Era principalmente un sollievo, ma non un sollievo come potresti sapere dei mitigatori oggi. È un ragazzo che quando è uscito per dare il cambio, |
| Sai, potrebbe lanciare sei inning. Ok, molto, molto atipico dai soccorritori di oggi. La linea blu è Trevor Hoffman, grande vicino per i San Diego Padres. Ma ancora una volta, lanciatore molto diverso. Quindi la domanda è, voglio dire, cosa facciamo, come prepariamo questi dati |
| e impostato in modo tale da poter confrontare tutte e tre queste persone allo stesso modo? Quindi la prima cosa che ho menzionato è che vogliamo ripulire i tuoi dati. E a proposito, userò quattro diverse metriche. lo userò |
| WHIP (passeggiate e colpi per inning lanciati), strikeout ogni nove, fuoricampo ogni nove e una metrica |
| Ho creato facilmente la percentuale di battitori chiamati affrontati oltre il minimo, dove ho appena preso il numero di battitori affrontati da un lanciatore diviso per il totale degli eliminati che hanno ottenuto |
| e sottratto uno. L'idea qui è che se ogni battitore che è stato affrontato ce la facesse, allora sarebbe perfetto. |
| Ok, esaminerò queste quattro metriche. Ho criteri diversi in termini di come definisco la mia normalizzazione, |
| in termini di modalità di screening dei valori anomali e includerò un mazzo PowerPoint |
| che tu guardi per ottenere i dettagli, ma non ne parlerò qui per motivi di tempo. Quindi la prima cosa che farò sarà ripulire i dati. Quindi noterai che, ad esempio, quel primo anno in cui Nolan Ryan ha lanciato |
| tre inning lanciati; FRUSTA molto, molto alta. Come un paio di stagioni qui, penso che Trevor Hoffman |
| lanciato un importo basso. Quindi, quindi inizierò escludendo i dati. Bello. Ha ridotto l'intervallo ed è sempre bene uscire, eliminare i valori anomali dai dati prima di eseguire l'analisi. |
| Un altro passaggio che voglio menzionare è che quando ho eseguito FDE, quando ho utilizzato FDE su questi dati all'interno della piattaforma, ti consente di eseguire un ulteriore screening dei valori anomali in cui, |
| anche se hai più colonne che stai utilizzando, |
| sei solo schermo...non stai schermando l'intera riga; stai solo escludendo i valori per quel dato input, che è una caratteristica molto, molto interessante. Quindi lo uso anche perché c'erano ancora, |
| anche con il mio screening iniziale, c'erano ancora alcune anomalie di cui dovevo sbarazzarmi. |
| pulire i dati. Normalizza è il secondo. Quindi, per normalizzazione, quello che ho fatto è che ho sostanzialmente normalizzato sull'asse X. E ho normalizzato sull'asse Y. Così, |
| quello che stiamo guardando qui è il numero di stagioni. Quindi ognuna di queste stagioni è considerata come un'entità intera separata, ma sappiamo tutti che in alcune stagioni, alcuni lanciatori lanciano più inning rispetto ad altre stagioni. |
| Quindi, piuttosto che guardare le stagioni come le mie entità, guarderò alla percentuale cumulativa delle uscite in carriera. Quindi lo so, so che alla fine della stagione i lanciatori hanno fatto così tante uscite cumulative in carriera, e questa è una certa proporzione là fuori, carriera intera o totale |
| out. Quindi lo userò per ridimensionare i miei dati. La cosa grandiosa è che noterai che ora tutti e tre i lanciatori sono sullo stesso |
| scala x. Tutto, tutto è scalato da zero a uno. Quindi, così, davvero bello... |
| dal punto di vista dell'analisi FDE, una cosa davvero bella da avere. E infine, voglio ridimensionare anche sull'asse Y. |
| E tutto quello che ho fatto è stato dividere la WHIP per la WHIP media per il tipo di lanciatore e per l'era in cui si sono lanciati. Quindi ho un parente WHIP. Ora l'altra cosa bella dell'usare questi valori relativi è che |
| So dov'è la mia linea nella sabbia. So che un lanciatore che ha una WHIP relativa di uno è un lanciatore medio. Quindi, in questo caso, cercherò quei ragazzi che lanciano |
| con WHIP sotto uno. Quindi noterai che tutti e tre questi lanciatori per la maggior parte della loro carriera erano sotto quella linea in una volta sola. Ora l'ultima cosa che farò, |
| è che voglio usare il mio FDE per modellare quella traiettoria, la traiettoria. Ora, uno dei problemi con l'utilizzo dei dati così com'è, i due problemi con l'utilizzo dei dati così com'è. Uno è che è piuttosto accidentato, |
| e sarebbe davvero difficile stimare quale sia la traiettoria di carriera con tutti questi alti e bassi. La seconda cosa è |
| alla fine quello che voglio fare è usare quella metrica che ho generato dalla FDE, questa traiettoria per ottenere una stima generale della carriera. Quindi, piuttosto che guardare le mie stagioni o la mia percentuale cumulativa come |
| entità discrete, voglio essere in grado di modellarlo sull'intera carriera continua. E lo vedremo un po' più avanti. Quindi sostituirò il mio |
| percento mio... mi dispiace per... condizionale... il mio WHIP, il mio parente WHIP con questa stima condizionale FDE. Ora, potresti avermi visto tornare indietro a quei due, potresti dire, oh ragazzo, ecco che... che cosa |
| che differenza enorme tra i due, sta davvero facendo un buon lavoro? Un po' difficile da dire da quel grafico. Quindi, quindi cosa io, cosa voglio fare |
| è che ti mostrerò davvero che aspetto ha. Quindi qui quello che ho fatto è che mi sono fermato |
| il, il, il, i valori discreti. Questo è Nolan Ryan, comunque. Le misurazioni discrete per Nolan Ryan, insieme alla sua curva per la sua per la sua |
| stima FDE condizionale, vedrai che non segue lo stesso percorso frastagliato o percorso accidentato, ma fa un buon lavoro di stima |
| qual è la sua traiettoria di carriera. E in generale con la sua WHIP |
| alto, all'inizio camminava con molta gente, era un lanciatore molto, molto selvaggio, molto più selvaggio all'inizio della sua carriera, che ci crediate o no. |
| Ma man mano che la sua carriera andava avanti, le cose miglioravano. E questo è che lo vedrai in tutte le brocche che ho scelto. Quindi, per esempio, se vado a, andiamo a Hoyt Wilhelm. |
| Ecco Guglielmo. Ancora una volta non cattura gli alti e bassi assoluti, ma fa un buon lavoro nel modellare la direzione generale di dove, di dove è andata la sua carriera. |
| Ok, usiamolo per chiedere. Ho solo un tempo limitato. Vorrei avere più tempo perché ci sono solo alcune cose carine che posso mostrarti. |
| Ma io... comincerò con quello che chiamo snobbato. Ok, questi sono i giocatori che ... quindi ho usato FDE su quelle quattro metriche che avevo menzionato. |
| Li uso come input, insieme al tipo di lanciatore e ho provato un sacco di tecniche di modellazione predittiva. I due che hanno funzionato meglio per me sono stati gli ingenui Bayes |
| e analisi discriminatorie. E uso queste due tecniche di modellazione per dirmi chi è entrato... chi dovrebbe essere dentro e e e chi non dovrebbe essere dentro |
| ed è quello che... quello che stiamo guardando qui è che stiamo guardando quei lanciatori in cui sia l'ingenuo Bayes che l'analisi discriminata hanno detto di sì, |
| ma la Hall of Fame ha detto di no. Quindi questi sono i miei... questo snobbato. Quindi lo noterai in questo caso... e lasciami passare a questo. Queste sono le app. Questo è il relativo WHIP. Andiamo con il WHIP condizionale. |
| E lasciami andare avanti e rimettere quella linea di riferimento lì dentro all'una e vedrai, per la maggior parte, questi sono lanciatori, che hanno trascorso il massimo... la maggior parte della loro carriera |
| sotto quella riga. Ora l'altra cosa a cui potresti pensare, guardando questi dati, è quella |
| wow, sarebbe davvero difficile distinguere questi giocatori. Come faccio a confrontare questi adesso, se dovessi mettere, diciamo, alcune brocche che erano in sala |
| anche in questo elenco. Voglio dire, sarebbero... sarebbe difficile separarli a poco a poco |
| guardandoli negli occhi, perché parte della loro carriera, sarebbero stati migliori di altri e cambierebbero altre parti della loro carriera. Come faccio, come affronto questo a livello di carriera? |
| Quindi, come ho detto prima, una delle cose belle di Functional Data Explorer è che posso prendere quei dati, |
| e posso posso posso creare una traiettoria di carriera. Stima un sacco di punti dati lungo quella traiettoria di carriera. E l'ho fatto, in realtà ho diviso le carriere in 100 |
| unità e ho sommato tutte quelle cento unità per ciascuna delle mie curve. Quindi, in pratica, quello che ho fatto è stato ottenere qualcosa come un'area sotto la curva. |
| Se fosse al di sopra di quella linea, sottrarrei, se fosse al di sotto di quella linea, lo farei... mi dispiace... se fossi al di sopra di quella linea, aggiungerei; sotto la linea sottrarrei. |
| E se guardiamo alle traiettorie di carriera totali... questa è una, questa è in realtà... questa è una lista più ampia. Si tratta di circa 1300 o 1400 lanciatori, quindi assolutamente tutti quelli che erano... |
| assolutamente tutti coloro che erano idonei alla Hall, 10 anni o più. Quindi entriamo rapidamente in un paio di cose che possiamo fare con questo. |
| Cominciamo... vorrei iniziare guardando i giocatori che sono stati snobbati. Quindi questi sono... questi sono i nostri giocatori... questi sono i miei giocatori che sono stati snobbati. Così |
| ok, quindi questi sono 100 valori. Quindi, quindi, quindi la linea nella sabbia qui sarebbe 100 perché ho 100 valori diversi che ho misurato. |
| Quindi noterai che per la maggior parte questi giocatori erano sopra 100. Ecco l'elenco dei, dei, dei giocatori che non hanno fatto la lista. E se dai un'occhiata a questi giocatori, |
| noterai che ci sono un paio di ragazzi qui che sono ovvi. Persone come Curt Schilling e il e il e il Roger Clemens per non non non |
| ragioni di carriera per il per il per il per il per il...che alcuni degli altri criteri che Christian ha menzionato,non ci sono. Ma ci sono alcuni ragazzi, per esempio Clayton Kershaw, che non ha ancora finito la sua carriera. |
| Ma ci sono certamente altre persone che potresti considerare... che sono idonee a Hall. Quindi diamo un'occhiata anche a quello. Quindi diamo un'occhiata a quelle persone che sono idonee alla sala, che non sono state nella sala... |
| BJ Ryan; di nuovo c'è Curt Schilling; Johan Santana, non sono sicuro del perché non ce l'ha fatta nell'ingresso; Smokey Joe Wood, lanciatore dei primi del '900; e così via. Così, |
| la possibilità per FDE di permettermi di estrarre valori da qualsiasi punto della loro traiettoria di carriera è uno strumento extra per me per poter stimare alcuni |
| criteri aggiuntivi, in termini di chi appartiene alla sala e chi non appartiene alla sala. Quindi, abbastanza detto sui lanciatori. Diciamo che tornerò a Christian così possiamo parlare un po' di più dei giocatori di posizione. |
| cristiano | Eccellente. Grazie, Don. |
| Destra. |
| Ok, quindi Don stava parlando del lancio... dei lanciatori e quindi sto guardando, guarderò la posizione |
| donmccormack | giocatori, e quindi ci sono due diversi componenti che entrano in questo. |
| cristiano | Hai la tua, la tua abilità in battuta, così come la tua abilità in campo e io ho preso un approccio leggermente diverso da quello che ha fatto Don, per quanto riguarda solo |
| guardare le statistiche e poi costruire modelli. Ho finito per iniziare con solo quattro delle statistiche di battuta più comuni, e quelle sono le prime quattro nell'elenco qui, alcune di quelle che troveresti sul retro delle figurine di baseball. |
| E poi, mentre procedevo, come vedremo, avevo bisogno di qualcosa per catturare le basi rubate, perché le prime quattro in realtà non... non lo fanno affatto. |
| E così ho creato una metrica che chiamo media dell'unità di base che porta in altri movimenti del corridore di base che... per dare credito al battitore per queste cose. E poi il fielding, ovviamente, è un fattore così come vedremo, quindi ho incluso un paio di parametri per il fielding. |
| E quindi, come Don, come appena accennato in precedenza, volevo assicurarmi di aver confrontato le mele con le mele, quindi sto guardando |
| con riferimento a posizione e campionato e anno per questo quelle statistiche che ho citato. E poi quando |
| come Don, volevo assicurarmi di ponderare in modo appropriato quelle dimensioni del campione più piccole in modo che non rovinassero il sistema. E così ho finito per ponderare le prestazioni dei giocatori in relazione al numero di presenze in targa rispetto al tipo di media per quell'anno di campionato |
| in un particolare slot di formazione su quante apparizioni al piatto quello slot dovrebbe ottenere nel corso della stagione. Quindi è così che vengono ponderati. |
| Destra. Quindi, vediamo come appare. Torneremo e visiteremo di nuovo Ted Williams qui. |
| Quindi abbiamo la carriera di Tim Williams qui a sinistra, abbiamo visto, e questi sono i risultati grezzi. |
| E poi sembra che abbia avuto una stagione davvero pessima qui. |
| Ma se, una volta che ne prendi una componente relativa, puoi vedere che in realtà è una stagione media come Don, è ancora al di sopra di quella linea media di uno. E quindi è stata solo una specie di stagione negativa per Ted Williams secondo i suoi standard. |
| E poi abbiamo visto prima che questi due picchi per Ted Williams avrebbero potuto somigliare alle sue massime prestazioni, ma si scopre che quelle sono stagioni in cui ha avuto un numero minore di campioni... di apparizioni giocate a causa del suo |
| essere... partire per la guerra di Corea. Quindi ha finito per avere quell'impatto sui suoi punteggi. Ho nuovamente ponderato di conseguenza verso la media a causa delle dimensioni del campione più piccole. |
| Così, |
| ecco come noi, i tipi di dati. Mi concentrerò solo sulle statistiche relative nella mia conversazione qui e mi concentrerò solo su alcune delle cose che hanno attirato la mia attenzione. |
| Eccoci. E lo faremo. |
| Ho bisogno della tabella dei numeri qui per alimentare |
| dalla FDE. Quindi ecco i punteggi che esamineremo, i punteggi FPC relativi della FDE. |
| E la prima cosa che ho visto, ho incluso quattro variabili nel mio modello, le prime quattro statistiche di battuta e |
| Volevo solo assicurarmi di avere i componenti giusti nella mia, nella mia analisi. Quindi sull'asse sinistro ecco la probabilità guidata dal modello di essere nella Hall of Fame. |
| Ora cosa... mi scusi, quello è l'asse y, sull'asse x è se la persona è effettivamente nella Hall of Fame. E quindi le mie aree di classificazione errata sono queste due sezioni qui. |
| E ho notato che c'erano alcuni giocatori quaggiù più di quanto mi aspettassi. Quindi stavo esplorando e potremmo esplorare variabili che non includevo ancora, come basi rubate. |
| E quindi li inserirò per colore e dimensione. |
| E come puoi vedere, |
| mi sembrava abbastanza chiaro che le basi rubate fossero sicuramente un fattore di cui gli elettori della Hall of Fame stavano prendendo in considerazione. Questi sono... |
| quindi il colore e la dimensione sono relativi al numero di basi rubate durante la loro carriera. E questo è ciò che mi ha spinto a creare quella statistica media dell'unità di base che ho poi utilizzato. |
| Quindi aggiungendo... mentre stavo esplorando quei modelli che ho descritto, ho iniziato con quattro statistiche e poi ho aggiunto quella statistica BUA. Questo è il mio asse x ora. |
| E poi ho aggiunto nelle statistiche sul campo e quello che abbiamo qui è una trama parallela, dove l'asse y è di nuovo... è una probabilità del modello che suggerisce che il giocatore dovrebbe essere nella Hall of Fame e ciascuna delle linee ora è un giocatore. |
| E quindi il colore rappresenta il loro status di Hall of Fame. Il rosso è sì, c'erano già ammessi, e il blu è no. |
| E quindi mi piace questa trama perché mi permette di guardare per vedere chi si muove. Se riesco a vedere l'impatto di quelle variabili aggiuntive nel modello. |
| E ovviamente la prima cosa che ha attirato la mia attenzione è stato questo ragazzo qui, il modo in cui è saltato fuori dall'essere un non proprio |
| all'aggiunta della componente di base rubata, e possiamo vedere che è molto probabile che venga eletto nella Hall of Fame e quindi appartenga, a seconda di come lo guardi. Ed è Ricky Henderson, che sembra essere il leader in carriera delle basi rubate. |
| Ora un altro giocatore, e solo guardando al lato difensivo delle cose, è Kirby Puckett, le cui statistiche iniziali suggeriscono che, sulla base del modello iniziale, |
| che ce la fa; è sufficientemente qualificato appena oltre la linea. Ma poi, sai, se aggiungi il componente di base rubato, |
| sì, in realtà non sembra più qualificarsi. E poi, alla fine, abbiamo inserito il fatto che è davvero un buon difensore, ha vinto un certo numero di guanti d'oro giocando a centrocampo per i gemelli, |
| vediamo che è tornato nelle grazie del comitato della Hall of Fame e ha giustamente votato. |
| Questo è un modello disordinato. |
| Modello non disordinato e hai fatto un sacco di cose qui. Così, |
| Ho finito per aggiungere il mio filtro dati locale in modo da poter guardare ogni posizione individualmente. |
| E qui per la prima base, è molto più facile vedere che abbiamo la gente in rosso e poi in blu. Ora abbiamo qualcuno qui, questo è Todd Helton che, almeno in tutti i modelli che stavamo guardando |
| suggerire che dovrebbe essere ammesso alla Hall of Fame ed è ancora idoneo. Quindi sta ancora aspettando la chiamata. |
| Ma uno come Dick Allen, c'è anche il blu, non dentro. I suoi numeri, almeno in base alle statistiche riassuntive, alle statistiche FDE che stiamo usando e ai modelli suggeriscono che non dovrebbe... appartiene alla Hall. |
| E ci sono altre persone che sono rosse, in fondo, come Jim Thome, a cui i modelli suggeriscono che non appartenga davvero, ma è stato votato. |
| Quindi, modi diversi di esplorare queste diverse relazioni tra, come aggiungiamo in quei predittori. |
| Ora, come Don, volevo avere un'idea di chi è, chi è stato snobbato e chi avrebbe potuto essere dotato |
| o almeno aveva, si sa, componenti non statisticamente orientate alla sua considerazione. |
| E così io, come Don, ho eseguito un certo numero di modelli e ho optato per quattro modelli che ero, mi sono piaciuti e ho fatto il miglior lavoro di... lavoro predittivo, e come Don, piuttosto che usare solo l'età |
| nel mio FDE come asse x, l'ho anche basato su una percentuale cumulativa di apparizioni giocate. E così sarebbe... avere queste due diverse varianti mi ha dato una serie di modelli da guardare. E così ho approfondito solo le persone che in tutti e otto i modelli, |
| sono nella Hall of Fame, ma nessuno dei modelli suggerisce che dovrebbero esserlo. E questa è questa linea qui. Ce ne sono 31. |
| E il retro che ho qui in verde, le persone che modellano in entrambi i secchi... la maggior parte dei modelli in entrambi i secchielli di età rispetto a Kimball differiscono per cento delle apparenze sui piatti suggeriscono che appartengono alla Hall of Fame, ma loro non sono. Quindi ho tirato fuori tutte queste persone |
| e proprio come voleva Don, confronta semplicemente come sono le loro traiettorie |
| e c'è... sono almeno vicini o c'è qualcos'altro che sta succedendo qui? |
| E quindi puoi vedere da questa è la percentuale di base più la percentuale di slugging, OPS, di nuovo. Sembra certamente, in rosso e con i segni più, che le persone che sono state snobbate si siano esibite |
| molto meglio su questa metrica e, a quanto pare, ogni altra metrica delle statistiche offensive è migliore delle persone dotate, le persone che sono dentro, ma il modello suggerisce che non dovrebbe esserlo. |
| E questo mi ha fatto pensare, beh, vero, sono solo le statistiche offensive che sono e forse il fielding è dove le persone che erano già brillano? E in base a quale percentuale almeno in campo, in realtà suggerisce che è ancora così, dove... |
| in realtà questa è questa gente snobbata. |
| Le persone dotate sembrano ancora come se fossero... |
| non necessariamente appartengono tanto quanto fanno queste persone snobbate. |
| È stato solo sulla componente del fattore di portata in cui la marea si è invertita. E così finisci per vedere che le persone dotate superano le persone snobbate che si sono comportate meglio. |
| Questa è un'altra versione diversa, molto simile a quella di Don, che puoi usare per valutare |
| solo ciò che i componenti sono inclusi nel tuo modello. |
| In molti modi diversi possiamo guardare i dati qui. |
| Quindi sto finendo perché sono sicuro che alcuni di voi stanno bruciando per sapere chi è snobbato e chi è dotato tra quelle persone. |
| Queste sono alcune delle persone che sono state snobbate, almeno tra i giocatori di posizione e, come Don ha menzionato per alcuni dei suoi lanciatori, ci sono alcune di queste persone che sono state bandite dal baseball, quindi non sono esattamente snobbate, quindi. |
| probabilmente ne riconosci alcuni. |
| E poi questi sono alcuni dei giocatori che sono stati dotati, o almeno è solo il criterio delle loro statistiche ... potrebbe non essere stato quello che li ha portati nella Hall of Fame. |
| Giusto, quindi solo per concludere dove siamo stati, siamo stati in grado di prendere le traiettorie di carriera di quei giocatori delle loro prestazioni su ... scegli una metrica |
| e inseriscilo nell'esploratore di dati funzionali e ottieni riepiloghi numerici che catturano l'essenza di quelle curve. |
| E poi, a sua volta, usa quelle statistiche quei punteggi che riusciamo a mettere nelle nostre tecniche statistiche tradizionali che ci sono familiari. |
| E quindi ora possiamo cambiare quella domanda da come modelli o quantifichi la traiettoria di carriera e la rivedi a una domanda su cosa voglio esplorare con questi punteggi FPC che ho? |
| Quindi speriamo che ti sia piaciuto parlare di baseball e solo di quell'interazione con il baseball, JMP e FDE. |
| E spero che tu ti senta autorizzato ad utilizzare lo strumento FDE disponibile in JMP Pro per rispondere a domande con dati come chi è il tuo giocatore preferito e perché, e avere i mezzi per eseguirne il backup. |
| Grazie per esserti unito a noi. Stai attento. |
| donmccormack | Ok, quindi come affrontiamo questi casi in cui dobbiamo guardare alla traiettoria di carriera di qualcuno? Ci sono altre metriche in cui possiamo fare questi confronti, in modo che |
| potremmo distinguere queste gradazioni davvero belle a parte? Quindi, come ho accennato in precedenza, quello che potremmo fare è potremmo certamente potremmo potremmo guardare assolutamente in qualsiasi momento lungo la traiettoria di carriera della persona |
| con qualsiasi gradazione che vogliamo. E l'ho fatto. Ho preso 100 punti dati, 100 valori tra zero e uno, |
| inizio carriera, fine carriera, e ho riassunto tutti quei valori. E l'ho fatto... la cosa bella di questa tecnica è che posso farlo per più metriche. Quindi, quindi ora quello che stiamo guardando qui è che stiamo guardando, stiamo guardando a |
| grafico di tutte e quattro le metriche. |
| Possiamo tracciarli tutti su un grafico. Torneremo di nuovo a quel gruppo di persone che erano state snobbate, |
| queste persone qui. Quindi è così... quindi se diamo un'occhiata a queste persone, |
| vediamo che avevano un minimo... a proposito, 100 in questo caso perché c'erano 100 osservazioni. |
| cento fuoricampo ogni nove, vuoi così basso; |
| percentuale di battitori affrontati oltre il minimo, basso; e poi gli strikeout su nove inning, vuoi sul lato alto. Noterai che è una specie di traiettoria |
| che la gente segue. Allora, la cosa interessante di questo punto è che quello che posso fare è, posso |
| utilizzare tutti i criteri che voglio. Quindi, per esempio, diciamo che guarderò... considererò tutti i miei giocatori e voglio considerare solo quelle persone che hanno |
| Una WHIP che era inferiore, in questo caso, a 100... così meglio di così... in realtà è così... anche meglio di così. Diciamo 90 o meno. |
| Ok, quindi diamo un'occhiata a quelle persone che, sai, hanno almeno il numero medio di strikeout ogni nove inning, e forse la percentuale dei loro battitori... la percentuale di battitori affrontati oltre 100 è come minimo. |
| E così, e trascurerò i fuoricampo per nove qui. Inoltre, potresti anche standardizzare e normalizzare in base al numero di stagioni e l'ho fatto esattamente. |
| Quindi quello che voglio fare è guardare quei giocatori che forse hanno solo 10 equivalenti stagionali, dove un equivalente stagionale si basa su com'era la stagione media dei giocatori. |
| Tutto bene. E poi, infine, che tipo di carico di lavoro hanno avuto durante la loro intera carriera. E diciamo che vogliamo qualcuno che abbia almeno l'80%, |
| rendiamo un po' più severi, diciamo, diciamo, |
| circa lo stesso carico di lavoro. E ancora, possiamo usare criteri diversi per eliminare quelle persone che non pensiamo di dover prendere in considerazione e quelle persone che pensiamo di considerare e quindi utilizzare quei criteri... |
| Voglio anche dire diamo un'occhiata a quelle persone che non sono nella Hall of Fame. |
| Quindi eccoci qui. Ora abbiamo un elenco di persone che vale la pena considerare. E noterai che sono un bel po' di persone che probabilmente non dovrebbero sorprenderti. Queste sono persone |
| che non sono ancora in sala perché stanno ancora suonando o semplicemente sono stati ignorati, Chris Sale, ad esempio, sta ancora lanciando. |
| Curt Schilling, per ovvi motivi non è la sala. Johan Santana, perché, perché non è nell'ingresso? In realtà faceva parte di quel gruppo che veniva snobbato. |
| Quindi la cosa bella dell'utilizzo di questi FDE è che puoi prenderli, trasformarli nelle tue traiettorie di carriera e quindi utilizzare una metrica aggiuntiva per essere in grado di determinare |
| dignità di sala e non dignità di sala. |
