스피커 | 성적 증명서 |
| 신자 | 여러분, 오늘 가상 버전인 JMP Discovery Summit에 참석해 주셔서 감사합니다. 제 이름은 크리스찬 스톱입니다. 저는 JMP 시스템 엔지니어입니다. |
| 그리고 오늘 제 동료인 Don McCormack도 합류했습니다. 그는 JMP의 수석 시스템 엔지니어이기도 합니다. |
| 그리고 당신은 아마도 연설의 제목을 보았기 때문에 여기까지 왔을 것입니다. 그리고 당신은 이것이 ... 당신은 메이저 리그 야구 선수에 대한 야구 팬이고 원하는 것을 보았습니다. |
| 또는 Functional Data Explorer에 대한 내용을 보고 다양한 환경에서 Functional Data Explorer를 사용하는 방법에 대해 조금 더 배우고 싶었습니다. 그래서 우리는 오늘 그 두 가지 주제와 결혼할 것입니다. 돈과 나 그리고 |
| 먼저 야구팬들을 위해 조금 더 이야기를 준비하겠습니다. |
| 우리가 야구 선수와 야구 팬 사이에서 일종의 일반적인 대화를 나누는 것처럼 |
| 당신이 가장 좋아하는 플레이어는 다른 플레이어에 비해 상대적으로 하고 있으며 당신은 당신의 친구들과 이런 대화를 할 수 있고, 그들이 유지되기를 바랍니다. |
| 좋아하는 선수와 그 이유에 대해. |
| 그래서 Alex Rodriguez와 Varitek 사이의 이 악명 높은 대화가 누가...그들이 가장 좋아하는 선수가 누구인지에 대한 메모를 비교하는 내용일 것이라고 상상했던 것입니다. |
| 그래서 저에게는 저의 기원이 시작되었고 Don's와 마찬가지로 야구와 |
| 우리가 수집했던 풍선껌 카드 뒷면에서 찾을 수 있는 야구 통계에 관심이 있습니다. |
| 따라서 가장 좋아하는 선수가 누구인지에 대해 이러한 대화를 나누다 보면 선수들의 실력도 다르지만 나이가 들수록 다른 점을 알 수 있습니다... |
| 시간이 지남에 따라 성능이 떨어지기 시작하는 것처럼 나이가 들면서 최고점에 도달합니다. 그래서 저와 같은 선수들의 경력 궤적에 대해 생각하면서 시간이 지남에 따라 그 성과를 어떻게 포착하거나 모델링합니까? |
| 이제, 당신이 이상하게도 저와 같다면 당신은 통계를 추구하기로 결정하여 정확히 그렇게 할 수 있습니다. |
| 그러나 나는 당신이 그 길을 건너뛰고 나보다 똑똑하고 기능적 데이터 탐색기와 같은 도구를 사용하여 이러한 통계...통계 곡선을 숫자로 변환하여 노력에 사용할 수 있도록 하는 것이 좋습니다. |
| 그래서 야구가 조금 생소하신 분들도 계시겠지만, |
| 우리가 보게 될 것은 야구 경기력의 척도를 반영하는 데이터입니다. 그래서 저는 포지션 플레이어와 |
| 포지션 플레이어 배트. 따라서 그들의 타율 측정 기준 중 하나는 출루율에 장타율 또는 OPS를 더한 것입니다. |
| 그리고 Y축에는 나이가 들어감에 따라 몇 명의 다른 플레이어에 대한 측정값이 있습니다. 그리고 파란색은 Babe Ruth이고 빨간색은 Ted Williams입니다. |
| 그리고 보시다시피, 이 궤적에서 두 사람이 대부분의 경력 동안 거의 동일한 수준의 성과를 내고 있다는 것을 알 수 있습니다. |
| 그러나 테드 윌리엄스의 경우 베이브 루스가 아닌 나이가 들수록 최고점에 도달하는 것처럼 보일 수 있습니다. |
| 그리고 베이브 루스, 당신이 다른 지식 없이 이 줄거리를 보고 있다면 그 정도에 도달하는 데 약간의 시간이 필요할 것 같습니다. |
| 많은...이것은 수천 명의 플레이어 또는 수만 명의 플레이어 중 단 두 명의 플레이어를 고려하고 비교할 수 있습니다. |
| 그들의 경력 궤적의 이러한 특성에 대해 많은 가변성이 있다고 상상할 수 있습니다. 따라서 플레이어의 궤적 내에서도 분명히 변동성이 있습니다. |
| 그래서 여기서 Graph Builder의 스무딩 기능을 사용하고 해당 커브와 관련된 노이즈를 약간 스무딩하여 해당 플레이어의 궤적에 대한 신호를 더 잘 이해할 수 있습니다. |
| 그리고 평활화는 기능적 데이터 탐색기가 사용하는 프로세스와 매우 유사하다는 것이 밝혀졌습니다. |
| 그래서 여기에 기능적인 데이터 탐색기가 있습니다. 그리고 다시 저는... 제 측정항목은 출루율과 장타율(OPS)입니다. |
| 그리고 저는 그냥 보려고 ... 이 플레이어 궤적을 비교하는 것처럼 이제 FDE에서는 기능 데이터 탐색기가 보시는 것처럼 플레이어 곡선을 부드럽게 만들고 있습니다. |
| 그런 다음 해당 곡선에서 공통적인 것에 대한 정보를 추출합니다. |
| 그래서 이제 모든 플레이어에게 그 대가로 얻게 되는 것은 그 플레이어의 성과와 관련된 점수입니다. 그래서 이 점수는 선수의 경력 궤적을 우리가 하게 될 다른 분석을 가져 와서 사용할 수 있도록 약간 양적인 방식으로 설명합니다. |
| 이것은 단지, 여러분이 볼 수 있는 바와 같이 행크 아론의 점수입니다. |
| 기능 데이터 탐색기에서 액세스할 수 있는 프로파일러에서 |
| 실제로 변경할 수 있습니다... 여기에서 해당 플레이어의 나이에 따른 OPS의 궤적을 확인한 다음 해당 값을 변경하여 해당 플레이어의 점수를 반영하고 더 나은... |
| 그 점수와 함께 그들의 경력 궤적. |
| 맞습니다. FDE와 FDE를 여기에서 사용하는 방법에 대한 내용입니다. 이제 Don과 제가 이 통계에 대해 이야기하는 것을 보게 될 것입니다. |
| 기능 데이터 탐색기에서 얻은 이 플레이어 점수는 우리가 시작한 곡선에서 가져옵니다. 그래서 우리는 그것을 사용할 것입니다... 우리가 하고 있는 것은 명예의 전당 지위와 같은 것을 예측하는 것입니다. |
| 그리고 명예의 전당에 있는 사람뿐만 아니라 더 흥미롭게도 명예의 전당에 있는 선수는 통계가 지원하지 않기 때문에 없어야 합니다. |
| 또는 명예의 전당 위원회가 무시한 것으로 보이는 선수를 식별할 수도 있습니다. 그래서 우리는 우리가 사용한 다양한 측정항목과 이를 수정한 방법에 대해 조금 이야기할 것입니다. |
| 그런 다음 FDE를 사용하여 이러한 경력 궤적을 가져온 다음 점수를 얻고 예측을 수행합니다. 우리가 일반적으로 다른 일에서 하는 것처럼요. |
| 따라서 야구를 팔로우하지 않은 경우 명예의 전당 자격... 자격 요건은 선수가 최소 10년, 즉 10시즌을 뛰고 기다려야 한다는 것입니다...5년을 기다려야 합니다. 자격이 있습니다. |
| 그리고 나서 10년 동안 자격이 있고 사람들이 당신을 투표할 수 있습니다. 그래서 우리가 볼 수 있는 몇 명의 플레이어가 아직 남아 있는 것을 보게 될 것입니다. 그들은 여전히 전화를 기다리고 있습니다. |
| 홀은 주로 플레이어가 얼마나 잘 수행했는지에 대한 다른 선택 기준을 사용하지만 이러한 다른 요소도 고려합니다. |
| 우리가 사용하는 데이터 소스인 Lahman Database에는 포함되어 있지 않으므로 측정하기 어렵습니다. 따라서 우리는 현장에서 통계적 능력을 반영하는 분석을 고수합니다. |
| 그리고 물론, 150년 동안 야구 선수가 야구를 하고 나면 그들이 다른 시대에 뛰고 있다는 것을 알게 될 것입니다. |
| 그래서 우리는 플레이어를 동료와 비교하고 있는지 확인하고 싶습니다. 그래서 우리는 아마도 그들이 고려한 연도를 고려할 것입니다. |
| 또는 다른 요구 사항이 관련되어 있기 때문에 그들이 수행한 위치는 일반적으로 다른 위치와 연결됩니다. |
| 그리고 리그마다 규칙이 다릅니다. 우리는 또한 그것에 무게를 둡니다. |
| 여기서 그만하겠습니다. Don't는 피칭을 시작하고 나서 다시 돌아와서 포지션 플레이어에 대해 이야기할 것입니다. |
| 돈코맥 | 그래서 Christian이 말했듯이, 나는 투구에 대해 조금 이야기할 것이지만 |
| 내가 하는 동안, 그 전에 나는 하고 있다. |
| 내가 하고 싶은 것은 그 기독교인이 언급한 초기 요점 중 일부를 설명하고 싶다는 것입니다. 좋은 데이터가 되는 것들 |
| 어떤 모델링 기법을 사용하든 분석 기법, 실제로 수행해야 하는 작업, |
| 그러나 FDE를 사용하여 데이터를 모델링하기 전에 수행하는 것이 좋습니다. 데이터 정리에 대해 구체적으로 이야기하겠습니다. |
| 사람들을 동등하게 비교할 수 있도록 데이터를 정규화하고 마지막으로 데이터를 모델링하는 방법에 대해 설명합니다. 예를 들어, 제가 가지고 있는 것은... 지금 화면에 보이는 것, |
| 우리는 모두 명예의 전당에 오른 세 명의 매우 다른 투수를 보고 있습니다. 빨간선은 놀란 라이언, |
| 아주 긴 경력, 약 27년의 경력. 녹색 선, 중간 선, 호이트 빌헬름입니다. |
| 젊은 사람들 중 일부는 Hoyt Wilhelm이 누구인지 모를 수도 있습니다. 그는 50년대 초반부터 72세까지 투구한 것으로 보입니다. |
| 상당히 긴 경력; 여러 시대에 걸쳐. 그는 대부분 릴리버였지만 오늘날 당신이 알고 있는 릴리버는 아니었습니다. 위로하러 나갔을 때, |
| y알다시피, 그는 6이닝을 던질 수 있습니다. 좋아, 오늘의 구원투수들에게는 아주, 아주 비정형적이다. 파란색 라인은 Trevor Hoffman이며 San Diego Padres의 훌륭한 클로저입니다. 그러나 다시, 아주 다른 투수. 그래서 질문은, 내 말은, 우리가 무엇을 할 것인가, 우리가 이 데이터를 준비하는 방법 |
| 이 세 사람을 모두 동등하게 비교할 수 있는 방식으로 설정하시겠습니까? 그래서 제가 먼저 언급한 것은 귀하의 데이터를 정리하고 싶다는 것입니다. 그건 그렇고, 저는 네 가지 다른 측정항목을 사용할 것입니다. 나는 사용할거야 |
| WHIP(투구한 이닝당 볼넷 및 안타), 9회당 삼진, 9회당 홈런 및 1미터 |
| 나는 쉽게 최소치 이상의 타자 비율을 만들었습니다. 여기서 저는 투수의 직면한 타자 수를 그들이 얻은 총 아웃 아웃으로 나눈 값을 취했습니다. |
| 그리고 하나를 뺍니다. 여기서의 아이디어는 직면한 모든 타자가 아웃되면 완벽한 타자가 될 것이라는 것입니다. |
| 네 가지 지표를 살펴보겠습니다. 정규화를 정의하는 기준이 다릅니다. |
| 이상치를 선별하는 방법과 관련하여 PowerPoint 데크를 포함할 것입니다. |
| 자세한 내용을 보려면 여기를 참조하십시오. 그러나 시간을 위해 여기에서 이에 대해 이야기하지 않겠습니다. 그래서 가장 먼저 할 일은 데이터를 정리하는 것입니다. 예를 들어 Nolan Ryan이 투구한 첫 해에 |
| 3이닝 투구; 매우, 매우 높은 채찍. 여기 몇 시즌 동안 Trevor Hoffman이 |
| 적은 양을 던졌다. 데이터를 제외하는 것부터 시작하겠습니다. 멋지네요. 범위가 축소되어 분석을 수행하기 전에 데이터에서 이상치를 제거하는 것이 항상 좋습니다. |
| 언급하고 싶은 또 다른 단계는 FDE를 수행할 때 플랫폼 내에서 이 데이터에 대해 FDE를 사용했을 때 추가 이상값 스크리닝을 수행할 수 있다는 것입니다. |
| 사용 중인 열이 여러 개 있더라도 |
| 당신은 단지 화면입니다 ... 전체 행을 선별하지 않습니다. 당신은 주어진 입력에 대한 값만을 선별하고 있습니다. 이것은 아주 좋은 기능입니다. 아직 남아있기 때문에 저도 사용합니다. |
| 초기 검사에도 불구하고 제거해야 할 몇 가지 변칙 사항이 여전히있었습니다. |
| 데이터를 청소하십시오. 정규화하면 두 번째입니다. 그래서 정규화를 통해 제가 한 것은 기본적으로 X축을 정규화하는 것입니다. 그리고 Y축에서 정규화했습니다. 그래서, |
| 여기서 우리가 보고 있는 것은 계절의 수입니다. 따라서 이러한 각 시즌은 별도의 전체 개체로 간주되지만 어떤 시즌에는 일부 투수가 다른 시즌보다 더 많은 이닝을 던진다는 것을 우리 모두 알고 있습니다. |
| 그래서 저는 시즌을 제 실체로 보기보다 커리어 아웃의 누적 퍼센트를 보려고 합니다. 그래서 저는 시즌이 끝날 때 투수들이 너무 많은 누적 경력 아웃을 만들었다는 것을 압니다. 그리고 그것은 전체 또는 전체 경력에 있어서 일정 비율입니다. |
| 야당. 그래서 데이터를 확장하는 데 사용할 것입니다. 이제 그것에 대한 가장 좋은 점은 세 명의 투수가 같은 위치에 있다는 것을 알 수 있다는 것입니다. |
| x 스케일. 모든 것, 모든 것이 0에서 1로 조정됩니다. 무튼 진짜 멋있다... |
| FDE 분석의 관점에서 보면 정말 좋은 것입니다. 그리고 마지막으로 Y축에서도 크기를 조정하고 싶습니다. |
| 그리고 내가 한 일은 WHIP를 투수 유형과 그들이 투구한 시대의 평균 WHIP으로 나눈 것뿐입니다. 그래서 나는 상대적인 채찍을 가지고 있습니다. 이제 이러한 상대 값을 사용하는 것에 대한 또 다른 좋은 점은 |
| 나는 모래에 나의 선이 어디에 있는지 알고 있다. 상대 WHIP가 1인 투수가 평균적인 투수라는 것을 알고 있습니다. 그래서 이 경우, 나는 던지는 사람들을 찾고 있습니다. |
| WHIPs가 하나 아래에 있습니다. 그래서 당신은 이 세 명의 투수 모두가 커리어의 대부분을 그 라인 아래에 있었다는 것을 알 수 있을 것입니다. 이제 마지막으로 할 일은, |
| FDE를 사용하여 해당 궤적, 즉 궤적을 모델링하고 싶습니다. 이제 데이터를 그대로 사용할 때의 문제 중 하나는 데이터를 그대로 사용할 때의 두 가지 문제입니다. 하나는 꽤 울퉁불퉁하다는 것입니다. |
| 그리고 이러한 모든 기복과 함께 경력 궤적이 무엇인지 추정하는 것은 정말 어려울 것입니다. 두 번째는, |
| 결국 내가 하고 싶은 것은 FDE에서 생성한 지표를 사용하여 전반적인 경력 추정치를 도출하는 것입니다. 따라서 내 시즌이나 누적 퍼센트를 다음과 같이 보는 것보다 |
| 개별 엔터티, 나는 전체 연속 경력에 걸쳐 그것을 모델링할 수 있기를 원합니다. 그리고 우리는 그것을 조금 후에 보게 될 것입니다. 그래서 나는 내 것을 교체 할 것입니다 |
| 퍼센트 내...죄송합니다...조건부...내 WHIP, 이 조건부 FDE 추정치를 사용한 내 친척 WHIP. 자, 당신은 내가 그 두 가지로 되돌아가는 것을 보았을 것입니다. |
| 둘 사이의 큰 차이점은 무엇입니까? 그것이 정말로 좋은 일을 하고 있습니까? 그 그래프에서 구분하기가 어렵습니다. 그래서 내가 무엇을 하고 싶은지 |
| 실제로 어떻게 생겼는지 보여드리겠습니다. 그래서 여기에서 내가 한 일은 내가 끌어 올린 것입니다. |
| ,,,, 이산 값. 참고로 놀란 라이언입니다. Nolan Ryan의 이산 측정값과 그에 대한 곡선 |
| 조건부 FDE 추정치를 보면 동일한 들쭉날쭉한 경로나 울퉁불퉁한 경로를 따르지 않지만 |
| 그의 경력 궤도는 무엇입니까. 그리고 일반적으로 그의 WHIP |
| 높은, 처음에 그는 많은 사람들을 걸었고, 매우, 매우 거친 투수였으며, 그의 경력 초기에는 훨씬 더 거칠었습니다. 믿거나 말거나. |
| 그러나 그의 경력이 계속될수록 그것은 더 좋아졌습니다. 그리고 이것은 제가 선택한 모든 투수에게서 볼 수 있습니다. 예를 들어 내가 간다면 Hoyt Wilhelm으로 가자. |
| 여기 빌헬름이 있습니다. 다시 한번 그것은 절대적인 최고점과 최저점을 포착하지는 않지만 그의 경력이 어디로 갔는지에 대한 일반적인 방향을 모델링하는 데는 좋은 역할을 합니다. |
| 좋아, 그럼 그걸 이용해서 물어보자. 나에게 주어진 시간은 한정적이다. 보여드릴 수 있는 깔끔한 것들이 몇 가지 있기 때문에 시간이 더 많았으면 좋겠습니다. |
| 하지만 저는..저는 제가 snubbed라고 부르는 것부터 시작하겠습니다. 자, 이 선수들이... 그래서 제가 언급한 4가지 지표에 대해 FDE를 사용했습니다. |
| 나는 그것들을 투수 유형과 함께 입력으로 사용하고 많은 예측 모델링 기술을 시도했습니다. 나에게 가장 잘 맞는 두 사람은 순진한 Bayes였습니다. |
| 그리고 차별적 분석. 그리고 저는 이 두 가지 모델링 기술을 사용하여 누가 들어왔는지...누가 들어가야 하는지, 누구는 들어가지 않아야 하는지 알려줍니다. |
| 그리고 그것이 바로... 우리가 여기서 보고 있는 것은 순진한 Bayes와 분별력 있는 분석이 모두 예라고 대답한 투수들을 보고 있다는 것입니다. |
| 그러나 명예의 전당은 아니라고 말했다. 그래서 이것들은 제...이것입니다. 그래서 당신은 이 경우에... 그리고 내가 이것으로 전환할 수 있다는 것을 알게 될 것입니다. 이것은 앱입니다. 이것은 상대 WHIP입니다. 조건부 WHIP으로 가자. |
| 그리고 제가 계속해서 그 기준선을 다시 1에 놓으면 대부분이 투수들이라는 것을 알게 될 것입니다. |
| 그 한 줄 아래. 이제 이 데이터를 보고 생각할 수 있는 또 다른 사항은 |
| 와우, 이 선수들을 구별하는 것은 정말 어려울 것입니다. 지금 이것을 어떻게 비교합니까? 만약 내가 만약에 홀에 있던 몇 개의 투수를 넣어보자면 |
| 이 목록에도 있습니다. 제 말은, 그것들은...그냥 그것들을 분리하는 것이 어려울 것입니다. |
| 그들의 경력 중 일부는 다른 사람보다 낫고 다른 분야로 전환할 것이기 때문입니다. 직업 수준에서 이 문제를 어떻게 처리합니까? |
| 앞서 언급했듯이 Functional Data Explorer의 좋은 점 중 하나는 해당 데이터를 가져올 수 있다는 것입니다. |
| 그리고 나는 할 수 있다 나는 경력 궤적을 만들 수 있다. 그 경력 궤적을 따라 많은 데이터 포인트를 추정하십시오. 그리고 실제로 경력을 100개로 나누었습니다. |
| 각 곡선에 대해 100단위를 합산했습니다. 그래서 기본적으로 제가 한 것은 곡선 아래 영역과 같은 것을 얻은 것입니다. |
| 한 줄 위에 있으면 빼고 한 줄 아래에 있으면...죄송합니다...내가 그 줄 위에 있으면 더할 것입니다. 내가 뺄 줄 아래에. |
| 그리고 우리가 전체 경력 궤적을 보면...이것은, 이것은 실제로...이것은 더 큰 목록입니다. 이것은 약 1300 또는 1400 투수이므로 절대적으로 모든 사람들이 ... |
| 홀 자격이 있는 모든 사람, 10년 이상. 이제 이 작업으로 할 수 있는 몇 가지 작업에 대해 빠르게 살펴보겠습니다. |
| 시작하겠습니다... 스누핑된 플레이어를 살펴보는 것으로 시작하겠습니다. 그래서 이것들은...이것은 우리의 선수입니다...이것은 스누브된 제 선수들입니다. 그래서 |
| 자, 이것은 100개의 값입니다. 그래서 여기 모래에 있는 선은 100이 될 것입니다. 왜냐하면 제가 측정한 100개의 다른 값이 있기 때문입니다. |
| 따라서 대부분의 경우 이 플레이어가 100명 이상임을 알 수 있습니다. 다음은 목록에 포함되지 않은 플레이어의 목록입니다. 그리고 이 선수들을 보면, |
| 여기에 분명한 두 사람이 있음을 알 수 있습니다. Curt Schilling, and and the Roger Clemens for non non non |
| 크리스천이 언급한 다른 기준 중 일부는 거기에 없습니다. 하지만 아직 커리어가 끝나지 않은 Clayton Kershaw와 같은 선수들이 있습니다. |
| 그러나 당신이 고려할 만한 다른 사람들이 분명히 있을 것입니다. 홀 자격이 있습니다. 그럼 실제로도 살펴보겠습니다. 그럼 홀 자격이 있고 홀에 가지 않은 사람들을 살펴 보겠습니다 ... |
| BJ 라이언; 다시 Curt Schilling이 거기에 있습니다. 요한 산타나(Johan Santana), 그가 왜 홀에 들어가지 않았는지 확실하지 않습니다. 스모키 조 우드, 1900년대 초반의 투수; 등등. 그래서, |
| FDE가 경력 궤적을 따라 어디에서나 가치를 추출할 수 있도록 하는 기능은 내가 몇 가지를 추정할 수 있는 추가 도구입니다. |
| 홀에 속하는 사람과 홀에 속하지 않는 사람의 추가 기준. 그래서, 투수에 대해 충분히 말했다. 하자...Christian에게 다시 돌아가서 포지션 플레이어에 대해 조금 더 이야기할 수 있습니다. |
| 신자 | 훌륭한. 고마워, 돈. |
| 오른쪽. |
| 자, Don은 투수에 대해 이야기하고 있었습니다... 투수는 |
| 돈코맥 | 플레이어, 그래서 거기에 들어가는 두 가지 다른 구성 요소가 있습니다. |
| 신자 | 당신은 당신의 타격 능력과 수비 능력을 가지고 있으며 나는 Don과 약간 다른 관점을 취했습니다. |
| 통계를 보고 모델을 만듭니다. 나는 더 일반적인 타율 통계 중 4개만 가지고 시작했고, 이것들은 여기 목록의 처음 4개이며, 야구 카드 뒷면에서 찾을 수 있는 것 중 일부입니다. |
| 그리고 제가 진행하면서, 앞으로 보게 되겠지만, 저는 도적을 점령할 무언가가 필요했습니다. 왜냐하면 처음 4개는 정말로...전혀 그렇게 하지 않기 때문입니다. |
| 그래서 저는 다른 주자의 움직임에 영향을 미치는 기본 단위 평균이라고 하는 측정항목을 만들었습니다. 이러한 측정항목은 타자에게 공을 돌리기 위한 것입니다. 그리고 수비는 물론 우리가 보게 될 요소이기 때문에 수비에 대한 몇 가지 메트릭을 포함했습니다. |
| 그리고 방금 언급한 Don과 마찬가지로 사과와 사과를 비교하고 싶었습니다. |
| 내가 언급한 통계에 대한 위치, 리그 및 연도와 관련하여. 그리고 언제 |
| Don과 마찬가지로 저는 II가 더 작은 샘플 크기에 적절하게 가중치를 주어 시스템을 방해하지 않도록 하고 싶었습니다. 그래서 나는 결국 그 리그 연도의 평균과 상대적인 타석 수에 비례하여 선수들의 성과에 가중치를 두게 되었습니다. |
| 특정 라인업 슬롯에서 해당 슬롯이 시즌 동안 얼마나 많은 타석에 등장해야 하는지에 대한 것입니다. 그래서 가중치가 부여됩니다. |
| 오른쪽. 그럼 어떻게 생겼는지 봅시다. 우리는 돌아가서 여기에서 Ted Williams를 다시 방문 할 것입니다. |
| 여기 왼쪽에 Tim Williams의 경력이 있습니다. |
| 그리고 그는 이곳에서 정말 형편없는 시즌을 보낸 것 같습니다. |
| 그러나 상대적인 구성 요소를 취하면 실제로 Don과 같은 평균 시즌임을 알 수 있지만 여전히 평균 선 위에 있습니다. 그래서 그것은 Ted Williams 자신의 기준으로 볼 때 일종의 가난한 시즌이었습니다. |
| 그리고 우리는 앞서 Ted Williams의 이 두 피크가 그의 피크 퍼포먼스와 비슷했을 수도 있다는 것을 보았지만, 그 시즌은 그가 더 적은 수의 샘플을 가지고 있었던 시즌이었습니다. |
| ... 한국 전쟁에 나간다. 그래서 그는 그것이 그의 점수에 영향을 미쳤습니다. 표본 크기가 더 작기 때문에 그에 따라 다시 평균에 가중치를 주었습니다. |
| 그래서, |
| 그것이 바로 우리, 데이터의 유형입니다. 여기서는 대화에서 상대적인 통계에만 초점을 맞추고 내 눈을 사로잡은 몇 가지에만 초점을 맞출 것입니다. |
| 우리는 거기에 갈. 그리고 우리는 그렇게 할 것입니다. |
| 피드에 여기에 숫자 테이블이 필요합니다 |
| FDE에서. 그래서 여기에 우리가 볼 점수가 있습니다. FDE의 상대 FPC 점수입니다. |
| 그리고 제가 가장 먼저 본 것은 제 모델에 4개의 변수, 처음 4개의 타율 통계, 그리고 |
| 내 분석에서 올바른 구성 요소가 있는지 확인하고 싶었습니다. 왼쪽 축은 명예의 전당에 입성할 모델 기반 확률입니다. |
| 이제... 실례합니다. 그것은 y축입니다. x축은 그 사람이 실제로 명예의 전당에 있는지 여부입니다. 제 오분류 영역은 여기 이 두 섹션입니다. |
| 그리고 제가 예상했던 것보다 더 많은 선수들이 여기 아래에 있다는 것을 알게 되었습니다. 그래서 저는 탐색 중이었고 도루와 같이 아직 포함하지 않은 변수를 탐색할 수도 있습니다. |
| 그래서 색상과 크기를 표시할 것입니다. |
| 그리고 보시다시피, |
| 도루는 확실히 명예의 전당 유권자들이 고려한 요소라는 것이 나에게는 꽤 분명해 보였습니다. 이것들은... |
| 따라서 색상과 크기는 경력 동안 도루의 수와 관련이 있습니다. 그리고 이것이 제가 당시 사용했던 기본 단위 평균 통계를 만들게 한 이유입니다. |
| 그래서 추가... 내가 설명한 대로 해당 모델을 탐색하면서 4개의 통계로 시작한 다음 해당 BUA 통계를 추가했습니다. 이것은 이제 내 x축입니다. |
| 그리고 나서 수비 통계를 추가했고 여기에 있는 평행 플롯은 y축이 다시... 플레이어가 명예의 전당에 있어야 하고 각 라인이 현재 다음과 같아야 함을 시사하는 모델의 확률입니다. 선수. |
| 따라서 색상은 명예의 전당 지위를 나타냅니다. 빨간색은 예, 이미 승인되었습니다. 파란색은 아니오입니다. |
| 그래서 저는 이 플롯이 마음에 듭니다. 왜냐하면 누가 움직이는지 볼 수 있기 때문입니다. 모델에서 이러한 추가 변수의 영향을 볼 수 있다면. |
| 그리고 물론 내 눈을 가장 먼저 사로잡은 것은 여기 있는 이 사람이었습니다. |
| 훔친 기본 구성 요소를 추가하고 우리는 그가 그것을 어떻게 보느냐에 따라 명예의 전당에 선출되어 소속될 가능성이 높다는 것을 알 수 있습니다. 그리고 우연히 도루의 커리어 리더가 된 Ricky Henderson입니다. |
| 이제 또 다른 플레이어는 사물의 수비적인 측면을 살펴보면 초기 통계에 따르면 초기 모델을 기반으로 한 Kirby Puckett입니다. |
| 그가 그것을 만든다는 것을; 그는 라인 건너편에 충분히 자격이 있습니다. 하지만 훔친 기본 구성 요소를 추가하면 다시 |
| 예, 그는 실제로 더 이상 자격이 없는 것 같습니다. 그리고 마지막으로, 그가 정말 좋은 야수라는 사실을 입력했습니다. 그는 쌍둥이의 중견수에서 많은 골든 글러브를 획득했습니다. |
| 우리는 그가 명예의 전당 위원회의 좋은 은총으로 돌아갔고 정당하게 투표했음을 봅니다. |
| 이것은 일종의 지저분한 모델입니다. |
| 지저분한 모델이 아니며 여기에서 많은 일을 했습니다. 그래서, |
| 결국 각 위치를 개별적으로 볼 수 있도록 로컬 데이터 필터를 추가했습니다. |
| 그리고 여기 1루의 경우 빨간색과 파란색의 사람들이 있다는 것을 훨씬 쉽게 알 수 있습니다. 이제 여기에 누군가가 있습니다. 이 사람은 Todd Helton입니다. 최소한 우리가 보고 있는 모든 모델에서 |
| 명예의 전당에 입성해야 하고 여전히 자격이 있다고 제안합니다. 그래서 그는 여전히 전화를 기다리고 있습니다. |
| 하지만 딕 앨런과 같은 사람은 파란색이 아니라 파란색도 있습니다. 그의 숫자는 최소한 요약 통계, 우리가 사용하고 있는 FDE 통계 및 모델을 기반으로 하여 그가...그는 홀에 속해선 안 된다고 제안합니다. |
| 그리고 아래에 빨간색으로 표시된 다른 사람들이 있습니다. Jim Thome처럼 모델은 그가 실제로 속하지 않는다고 제안하지만 그는 투표를 받았습니다. |
| 따라서 예측 변수를 추가함에 따라 서로 다른 관계를 탐색하는 다양한 방법이 있습니다. |
| 이제 Don과 마찬가지로 나는 누가 누구를 무시했고 누가 재능이 있었는지 알고 싶었습니다. |
| 또는 적어도 통계적으로 지향되지 않은 구성 요소를 고려했습니다. |
| 그래서 나는 Don처럼 여러 모델을 운영하고 4가지 모델에 정착했습니다. 나는 좋아하고 최선을 다했습니다. 예측 직업 |
| 내 FDE에서 x축으로, 나는 또한 누적 플레이 출연률을 기반으로 했습니다. 그리고 그것은...이 두 가지 다른 변종을 갖게 되면서 내가 볼 수 있는 많은 모델을 갖게 될 것입니다. 그래서 저는 8개 모델 모두에 걸쳐 있는 사람들에게만 드릴다운했습니다. |
| 명예의 전당에 있지만 모델 중 누구도 그렇게 해야 한다고 제안하지 않습니다. 그리고 이것이 바로 이 라인입니다. 31개가 있습니다. |
| 그리고 여기 녹색으로 표시된 뒷면, 양동이 중 하나를 모델로 하는 사람들... 나이 대 Kimball 양동이의 대다수 모델은 플레이트 출현 비율이 명예의 전당에 속한다고 제안하지만 그들은 아니야. 그래서 나는 이 사람들을 모두 꺼냈다. |
| Don이 원했던 것처럼 그들의 궤적이 어떻게 생겼는지 비교하십시오. |
| 그리고 거기에... 그들은 최소한 문을 닫았습니까, 아니면 여기에서 다른 일이 일어나고 있습니까? |
| 그리고 이것은 온 베이스 퍼센티지에 장타율(OPS)을 더한 것을 다시 볼 수 있습니다. 확실히 빨간색과 더하기 기호로 스너핑된 사람들이 수행한 것처럼 보입니다. |
| 이 지표에서 훨씬 더 낫고, 밝혀진 바와 같이, 다른 모든 공격 통계 지표는 재능 있는 사람들, 속해 있는 사람들보다 낫습니다. 그러나 모델은 그렇지 않아야 한다고 제안합니다. |
| 그리고 그것은 내가 생각하게 만들었습니다. 글쎄요, 그것이 단지 공격적인 스탯이고 아마도 수비에서 이미 빛났던 사람들이 빛나는 곳일까요? 그리고 최소한 수비 비율에 따라 실제로 여전히 그런 경우가 있음을 시사합니다. |
| 실제로 이것은이 snubbed 사람들입니다. |
| 재능있는 사람들은 여전히 그들처럼 보입니다 ... |
| 그들은 반드시 이 냉담한 사람들처럼 많이 속해 있지 않습니다. |
| 조류가 역전된 범위 요소 구성 요소에만 있었습니다. 그래서 당신은 재능있는 사람들이 더 나은 성과를 낸 냉담한 사람들보다 더 중요하다는 것을 보게됩니다. |
| Don's와 마찬가지로 평가하는 데 사용할 수 있는 또 다른 테이크입니다. |
| 구성 요소가 모델에 포함된 것뿐입니다. |
| 여기에서 데이터를 볼 수 있는 다양한 방법이 있습니다. |
| 그래서 나는 당신 중 일부가 그 사람들 중에서 누가 잘난 사람이고 누가 재능이 있는지 알기 위해 불타고 있다고 확신하기 때문에 그냥 마무리합니다. |
| 이들은 최소한 포지션 플레이어들 사이에서 무시당했던 사람들 중 일부이며 Don이 그의 일부 투수들에 대해 언급한 것처럼 야구에서 금지된 몇몇 사람들이 있으므로 정확히 무시당하지는 않습니다. |
| 당신은 아마 이들 중 일부를 알고 있습니다. |
| 그리고 이것들은 재능이 있는 몇몇 선수들입니다. 아니면 적어도 그들의 통계 기준만으로... 명예의 전당에 오르는 것은 아닐 수도 있습니다. |
| 자, 이제 우리가 있었던 곳을 마치며, 우리는 선수 경력의 궤적을 볼 수 있었습니다. 메트릭 선택 |
| 그리고 그것을 기능적 데이터 탐색기에 넣고 해당 곡선의 본질을 포착하는 숫자 요약을 가져옵니다. |
| 그런 다음 그 통계를 사용하여 우리가 익숙한 기존 통계 기술에 넣을 수 있는 점수를 얻습니다. |
| 이제 경력 궤적을 모델링하거나 수량화하는 방법에서 그 질문을 변경하고 내가 가지고 있는 이 FPC 점수로 무엇을 탐구하고 싶은지에 대한 질문으로 수정할 수 있습니다. |
| 따라서 야구와 야구, JMP 및 FDE와의 상호 작용에 대해 이야기하는 것이 즐거웠기를 바랍니다. |
| 그리고 JMP Pro에서 사용할 수 있는 FDE 도구를 사용하여 가장 좋아하는 선수가 누구이고 왜 그런지와 같은 데이터로 질문을 해결하고 이를 뒷받침할 수단을 확보할 수 있기를 바랍니다. |
| 참여해주셔서 감사합니다. 잘 지내세요. |
| 돈코맥 | 자, 그렇다면 누군가의 경력 궤적을 살펴봐야 하는 이러한 경우를 어떻게 처리해야 할까요? 이러한 비교를 수행할 수 있는 다른 측정항목이 있습니까? |
| 이 정말 미세한 그라데이션을 구분할 수 있을까요? 그래서 제가 앞서 언급했듯이, 우리가 할 수 있는 것은 우리가 할 수 있다는 것입니다. |
| 원하는 만큼의 그라데이션으로 그리고 그렇게 했습니다. 100개의 데이터 포인트, 0과 1 사이의 100개 값을 가져왔습니다. |
| 경력의 시작, 경력의 끝, 그리고 나는 그 모든 가치를 요약했습니다. 그리고 저는 이것을 했습니다... 이 기술의 좋은 점은 여러 메트릭에 대해 수행할 수 있다는 것입니다. 자, 이제 여기서 우리가 보고 있는 것은 우리가 보고 있는 것입니다. |
| 네 가지 메트릭 모두의 플롯입니다. |
| 하나의 그래프에 모두 그릴 수 있습니다. 우리는 무시당했던 사람들의 그룹으로 다시 돌아갈 것입니다. |
| 여기 이 사람들. 그래서...그렇게 우리가 이 사람들을 살펴보면, |
| 100개의 관찰이 있었기 때문에 이 경우에는 100이 낮았음을 알 수 있습니다. |
| 9개당 100개의 홈런, 당신은 그렇게 낮은 홈런을 원합니다. |
| 최소 타자 비율, 낮음; 그런 다음 9이닝 동안 삼진을 잡아야 합니다. 당신은 그것이 일종의 궤적이라는 것을 알게 될 것입니다. |
| 사람들이 따라하는 것입니다. 이제 이 점에서 흥미로운 점은 제가 할 수 있는 것은 |
| 내가 원하는 기준을 사용합니다. 예를 들어, 다음을 살펴보겠습니다...내 모든 선수를 고려하고 |
| WHIP 이 경우에는 100...훨씬 더 낫습니다...실은 그게...그보다 더 낫게 만들기도 합니다. 90 이하라고 합시다. |
| 자, 그럼 최소한 9이닝당 평균 삼진을 잡고 100명 이상을 상대하는 타자 비율은 최소인 사람들을 살펴보겠습니다. |
| 그리고 여기에서 9홈런은 무시하겠습니다. 나도, 당신은 또한 계절의 수로 표준화하고 정규화할 수 있었고 나는 그것을 정확하게 했습니다. |
| 그래서 제가 하고 싶은 것은 10시즌 등가물이 있는 선수들을 살펴보는 것입니다. |
| 괜찮은. 그리고 마지막으로, 그들의 전체 경력에 걸쳐 어떤 종류의 업무량을 가졌습니까? 그리고 80% 이상을 가진 사람을 원한다고 가정해 보겠습니다. |
| 좀 더 엄격하게 말해보자. |
| 동일한 작업량에 대해. 그리고 다시, 우리는 우리가 고려해서는 안 된다고 생각하는 사람들과 우리가 고려한다고 생각하는 사람들을 제거하기 위해 다른 기준을 사용할 수 있으며 그런 다음 그 기준을 사용할 수 있습니다... |
| 나는 또한 명예의 전당에 오르지 못한 사람들을 살펴보자고 말하고 싶습니다. |
| 이제 시작하겠습니다. 이제 고려할 가치가 있는 사람들의 목록이 있습니다. 그리고 당신은 그들이 아마 당신을 놀라게해서는 안되는 사람들이라는 것을 알게 될 것입니다. 얘들아 |
| 예를 들어 Chris Sale은 여전히 경기 중이기 때문에 아직 홀에 있지 않거나 무시당하고 있습니다. |
| Curt Schilling은 분명한 이유로 홀이 아닙니다. 요한 산타나, 왜, 그는 왜 홀에 없나요? 그는 실제로 무시당하는 그룹의 일부였습니다. |
| 따라서 이러한 FDE를 사용할 때 좋은 점은 이를 취하여 경력 궤도로 전환한 다음 추가 측정항목을 사용하여 다음을 결정할 수 있다는 것입니다. |
| 홀 가치와 비 홀 가치. |
