안녕하세요, 여러분. 나의 이름 ~이다 케빈 오도넬.
나는 ㅏ JMP 글로벌 고객 참조 인턴,
그리고 오늘 아픈 ~이다 발표 켜짐 ㅏ 개인적인 해석학 프로젝트
저것 나는 완료 저것 ~이다 그만큼 NBA 플레이어 매치업 모델.
그래서 단지 에게 가져 오기 시작했다,
나 ~ 일 것이다 처럼 에게 가다 ~ 위에 나의 아이디어 그리고 그만큼 동기 ~을위한 건물 그만큼 모델.
나는 언제나 계속 ~이다 엄청나게 관심있는 입력 농구.
나는 계속 ~이다 ㅏ 거대한 농구 팬 ~을위한 나의 전부의 삶,
그리고 나 ~였다 찾고 ~을위한 ㅏ 새로운 해석학 프로젝트 에게 잠수 안으로,
그래서 나 끝났다 위로 질문 이것 의문 여기:
할 수 있었다 우리 모델 ㅏ 플레이어의 공격 성공
기반을 둔 켜짐 그들의 평균 그리고 그만큼 힘 의 그들의 상대 같이 잘?
그래서 같이 대부분 의 우리를 알고있다 ~에서 보고있다 어느 스포츠,
플레이어 성능 다양하다 매우 ~에서 게임 에게 게임.
이것의 기반을 둔 켜짐 ㅏ 다양성 의 요인
그리고 하나 의 이것들 존재 ㅏ 플레이어의 평균 포인트들.
저것 ~ 할 것이다 ~이다 ㅏ 매우 강한 예언자 ~을위한 포인트들 입력 an. NBA 게임,
하지만 이것의 멀리 ~에서 그만큼 오직 영향 켜짐 ㅏ 플레이어의 공격 성능.
그래서 가고있다 ~ 안으로 이것 프로젝트,
나 원한 에게 짓다 ㅏ 모델 저것 예측 그만큼 선수들 포인트들 입력 그만큼 게임
기반을 둔 켜짐 그만큼 포인트들 당 게임,
하지만 또한 ㅏ 많은 의 다른 변수 어느 우리 ~ 할 것이다 바라보다 ~ 안으로 켜짐 그만큼 다음 미끄러지 다.
그래서 이상적으로는, 이것 ~ 할 것이다 ~이다 도움이되는 ~을위한 코치 그리고 팀 분석가 에게,
~을위한 예시, 결정 어느 의 그들의 공격 선수들 ~이다 ~ 할 것 같은
에게 ~ 위에 공연하다 또는 할 수있는 에게 공연하다 진짜 잘
기반을 둔 켜짐 그들의 성냥 업 그리고 바이스 반대로, 어느 의 그들의 선수들 그들 ~ 할 것 같다 원하다
에게 피하다 켜짐 위반 왜냐하면 그들은 존재 경비
~에 의해 일부 의 그만큼 베스트 방어적인 선수들 켜짐 그만큼 다른 팀.
이럴수있다 알리다 플레이 부름 그리고 게임 계획,
그래서 만약 ㅏ 특정한 방어자 ~이다 더 약한, 코치 5 월 바라보다 에게 표적 저것 성냥 위로
또는 바라보다 에게 힘 ㅏ 스위치 에 그들의 베스트 득점자.
입력 그만큼 오락 왕국,
공상 농구 선수들 ~ 할 수 있었다 사용 이것 데이터 에게 수치 밖
누구 에게 시작 또는 누구 에게 선택하다 위로 끄다 그만큼 기권 철사,
그래서 그것 가지다 ㅏ 넓은 범위 의 응용 프로그램.
그래서 여기 ㅏ 작은 조금 의 그만큼 개요 의 그만큼 데이터.
아픈 가다 ~을 통해 이것 빠르게, 그리고 우리는 보다 이것 같이 나 가다
~ 안으로 그만큼 JMP 데모 ㅏ 작은 조금 더 입력 세부 사항,
하지만 이었다 가고있다 에게 예측하다 포인트들 당 게임 기반을 둔 켜짐 일곱 기본 카테고리 의 데이터.
그래서 이었다 가고있다 에게 사용 플레이어 공격 평균 ~을위한 그만큼 계절,
이것 포함 것들 처럼 포인트들 당 게임,
3.2 가리키다 백분율, 그리고 고급의 측정항목 그런 같이 용법 비율,
어느 기록 어떻게 자주 an. 공격 플레이어 ~이다 사용 된 켜짐 그들의 팀.
플레이어 속성 그런 같이 키, 날개 기간, 세로 뛰다
~ 할 것이다 또한 ~이다 포함 ~을위한 둘 다 그만큼 공격 그리고 방어적인 선수들
왜냐하면 이것들 물리적 인 속성, 나 ~ 일 것이다 추정하다, 또한 기여하다
에게 어떻게 많은 포인트들 ㅏ 플레이어 ~ 할 것이다 점수.
마침내, 입력 자귀 의 그만큼 공격 선수,
잘 사용 직업 평균.
그만큼 같은 평균 저것 이었다 사용 ~을위한 그만큼 계절,
잘 또한 사용 ~을위한 그만큼 직업 에게 추가하다 ㅏ 작은 더 견고함 에게 그만큼 모델,
그리고 전반적인 팀 속도 그리고 공격 반등 백분율
~이다 또한 가고있다 에게 ~이다 ㅏ 예언자 왜냐하면 저것 ~ 할 것이다 결정
어떻게 많은 재산 거기 ~ 할 것이다 이다.
만약에 거기 ~이다 더 재산 입력 그만큼 게임, 이것의 더 ~ 할 것 같은 저것 어느 주어진 플레이어
~ 할 것이다 가지다 더 포인트들.
등등 저것 같은 토큰, 방어적인 팀 속도
그리고 방어적인 반등 백분율 ~ 할 것이다 또한 ~이다 사용 된.
입력 자귀 의 개인 방어적인 통계, 것들 처럼 훔치다, 블록, 파울,
그리고 다른 고급의 측정항목 그런 같이 방어적인 주식을 얻다, 어느 측정
an. 개인 플레이어의 기부금 에게 그만큼 팀의 승리 켜짐 방어.
저것들 ~이다 또한 가고있다 에게 ~이다 예측 변수 에게
아마 부정하다 그만큼 양 의 포인트들 저것 ~이다 득점 ~에 의해 an. 공격 플레이어.
그리고 그 다음에 마지막으로, 그만큼 방어자 속성 ~ 할 것이다 ~이다 사용 된 같이 나 말하는 더 일찍.
그래서 ~ 전에 우리 가져 오기 오른쪽 ~ 안으로 그만큼 데이터 그리고 그만큼 모델링 그리고 제이엠피,
나 ~ 일 것이다 처럼 에게 가다 ~ 위에 그만큼 매치업 데이터 저것 나 ~였다 사용
~을위한 그만큼 대부분 의 그만큼 모델.
그래서 그만큼 NBA 최근에 구현 일부 새로운 개인적인 성냥 위로 데이터 수집
그리고 이것의 기반을 둔 켜짐 상세한 플레이어 추적.
그래서 그것 트랙 그만큼 가장 가까운 방어자 ~에 모든 가리키다,
~ 아니다 단지 그만큼 일 순위 방어자 켜짐 ㅏ 플레이.
그것 오직 트랙 앞 법원 시각 그리고 그것 ~ 할 것이다 길 부분적인 재산.
그래서 뭐라고 요 이것 수단 ~이다 저것 ㅏ 플레이어 ~ 할 수 있었다 ~이다 경비 ~에 의해
같이 많은 같이 다섯 다른 선수들 켜짐 ㅏ 하나의 플레이,
그리고 각 방어자 ~ 일 것이다 ~이다 수여 그만큼 각각의 양
의 매치업 분 ~을위한 저것 소유.
그래서 여기 우리 가지다 an. 예시 의 테리 직물 로지에 ~을위한 그만큼 말벌
존재 경비 ~에 의해 네 다른 선수들 켜짐 다른 팀.
입력 그만큼 첫 번째 열, 스테판 카레 ~이다 경비 그에게
입력 오직 하나 게임 ~을위한 2.7 분 그리고 허용 된 둘 포인트들.
그래서 만약 우리 생각한다 의 ㅏ 가상의 어디 그만큼 말벌 ~이다 놀이
스테판 카레 황금 상태 전사 그리고 카레 경비 로지에 ~을위한 10 초,
그리고 그 다음에 클레이 톰슨 전환 켜짐 에게 로지에 ~을위한 또 다른 10 초,
둘 다 ~ 일 것이다 ~이다 수여 저것들 10 초 의 매치업 시각.
하지만, 만약 로지에 득점 ㅏ 둘 바늘 ~에 그만큼 끝 의 이것 소유,
그만큼 포인트들 ~ 일 것이다 ~이다 두드러진 ~을위한 클레이 톰슨.
이 ~이다 진짜 시원한 추적 데이터 그리고 나 사랑 어떻게 특정한 그것 이다,
하지만 그것 했다 원인 일부 문제 언제 나는 시도했다 에게 모델 그만큼 포인트들 당 분
~을위한 각 플레이어 그리고 방어자 콤비네이션, 어느 ~였다 나의 원래의 계획.
그래서 나 ~였다 원래 가고있다 에게 사용 그만큼 공격 플레이어 통계
그리고 방어적인 플레이어 통계 저것 나 말하는 입력 그만큼 이전 미끄러지 다
입력 모든 개인 매치업.
하지만 ~부터 많은 수비수, 처럼 당신은 보다 여기,
기록 매우 작은 금액 의 시각,
처럼 스탠리 존슨 오직 경비 로지에 ~을위한 an. 평균 의 아래에 하나 분 ㅏ 게임,
그건 ~ 아니다 충분한 시각
~을위한 일부 의 이것들 포인트들 당 분 측정 에게 ~이다 정상.
그래서 가고있다 뒤 에게 저것 클레이 톰슨 가상의,
만약 클레이 오직 경비 로지에 ~을위한 10 초 그만큼 전부의 게임
그리고 로지에 가지고 에게 점수 둘 포인트들 입력 저것 소유,
그 다음에 로지에스 포인트들 당 분 ~에 맞서 클레이 입력 저것 열 ~ 일 것이다 ~이다 12.
그래서 확실히, 외삽 저것 에게 ㅏ 가득한 게임,
조차 ...을 제외한 그만큼 뒤 법원 시각 같이 이것 데이터 하다, 이것의 매우 비현실적인.
그래서 나 가졌다 에게 가다 ~와 함께 ㅏ 약간 다른, 더 적은 이상적인 접근하다.
대신에 의 사용 그만큼 개인 방어적인 통계,
나 실제로 평균 그들을 밖
~을위한 각 콤비네이션 의 플레이어 그리고 방어적인 팀.
그래서 대신에 의 사용 로지에 ~ 대 카레 그리고 로지에 ~ 대 톰슨,
나 ~ 일 것이다 사용 로지에 ~ 대 그만큼 전체 황금 상태 전사 평균 기반을 둔 켜짐
그만큼 양 의 매치업 분 저것 각 플레이어 방어 로지어.
그래서 ~을위한 예시,
만약 스테판 카레 그리고 클레이 톰슨 둘 다 경비 그에게 ~을위한 반 그만큼 양
의 가능한 성냥 위로 분, 그 다음에 그만큼 팀 평균,
하자 말하다 훔치다 당 게임, ~ 일 것이다 단지 ~이다 그만큼 산수 평균
의 카레 훔치다 그리고 클레이 훔치다 당 게임.
그만큼 같은 ~ 일 것이다 가다 ~을위한 모든 방어적인 변하기 쉬운
그리고 그건 확실히 ㅏ 단순한 예시,
하지만 그만큼 같은 간다 ~을위한 모든 플레이어 ~ 대 모든 팀.
그래서 확실히 이것 ~이다 ~ 아니다 이상적인 왜냐하면 그것 최소화
그만큼 개성 의 그만큼 매치업.
하지만 나 가졌다 에게 버리다 저것 포인트들 당 분 접근하다
왜냐하면 그만큼 샘플 ~이었다 ~도 작은 그리고 그만큼 응답 ~였다 무겁게 비뚤어진.
그래서 이것 모델 저것 나는 만들어진 ~와 함께 그만큼 집계 데이터 ~이다 더 정확한
~보다 나의 초기의 시도, 조차 그러나 그것 희생 일부 개성.
그래서 ~에 이것 가리키다, 나는 가고있다 에게 스위치 ~ 안으로 JMP 여기
그리고 ~하다 ㅏ 작은 조금 의 그만큼 데모 어떻게했는지에 대해서 나 세워짐 그만큼 모델
그리고 일부 탐색적 데이터 분석 에게 시작하다.
그래서 에게 시작하다, 이었다 단지 가고있다 에게 바라보다 ~에 일부 가장자리 가의 관계
~와 함께 포인트들 입력 그만큼 그래프 건축업자,
그리고 나는 할 수있는 에게 선택하다 어느 나 원하다.
하지만 ~을위한 지금 이었다 가고있다 에게 바라보다 구체적으로 특별히 ~에 삼 변수,
그만큼 첫 번째 존재 포인트들 당 게임.
그래서 우리 보다 여기, 우리 가지다 ㅏ 보통의 관계
~와 함께 포인트들 그리고 포인트들 당 게임, 그리고 그것 ~이다 긍정적 인 같이 우리 ~ 일 것이다 예상하다.
그만큼 평균 포인트들 저것 누구 넣어 위로 입력 ㅏ 게임,
또는 ~ 위에 그만큼 강좌 의 그만큼 계절 꽤, ~이다 가고있다 에게 확실히 영향
어떻게 많은 포인트들 그들 점수 입력 ㅏ 게임.
비슷하게, 무엇 처럼 용법 비율,
그만큼 고급의 통계 저것 나 ~였다 토론 더 일찍,
또한 가지다 ㅏ 긍정적 인 관계,
단지 약간 약하다 ~보다 그만큼 관계 ~ 사이 포인트들 그리고 포인트들 당 게임.
마침내, 만약 우리 바라보다 ~에 일부 의 그만큼 직업 통계,
만약 우리 바라보다 ~에 직업 포인트들 당 게임, 그 다음에 다시 우리 보다 ㅏ 긍정적 인 관계,
하지만 저것 ~이다 ㅏ 작은 조금 약하다 왜냐하면 이것의 평균 ~ 위에 그만큼 강좌
의 ㅏ 플레이어의 직업 꽤 ~보다 그만큼 계절 저것 이었다 현재 입력.
하지만 바라건대 이것 ~ 할 수 있었다 돕다 조정하다 ~을위한 일부 주요한 차이점
입력 그만큼 포인트들 당 게임 합계 또는 평균 꽤.
그래서 지금 저것 우리 가지다 종류 의 an. 아이디어 의 그만큼 데이터 그 자체,
우리 ~ 할 수있다 이동하다 ~ 안으로 그만큼 단순한 선의 회귀
~와 함께 포인트들 ~에 의해 포인트들 당 게임 같이 ㅏ 기준 ~을위한 이것 모델.
그래서 같이 나 말하는,
너 ~ 할 수있다 예측하다 기반을 둔 켜짐 단지 포인트들 당 게임
그리고 그것 ~ 할 것이다 주다 너 ㅏ 품위있는 예측.
하지만 이었다 찾고 에게 개선하다 저것 예측 ~에 의해 첨가
일부 의 이것들 다른 변수, 공격 그리고 방어적인.
그래서 만약 우리 운영 이것 스크립트 여기,
이것 ~이다 단지 비교 일부 달리다 의 ㅏ 단순한 선의 회귀
켜짐 그만큼 훈련 그리고 확인 세트 사용 KFolds 확인 전역.
그리고 만약 나 운영 여기 사용 그만큼 숨겨진 검증 2 열
저것 아픈 ~이다 사용 ~을위한 그만큼 나머지 의 이것들 모델,
그 다음에 우리 ~ 할 수있다 보다 그만큼 회귀 여기.
그래서 여기 ㅏ 회귀 구성. 그것 외모 예쁜 뿔뿔이 흩어진.
거기 ~ 아니다 ㅏ 분명한 선의 관계, 하지만 그만큼 RS 광장 ~이다 보통의,
의미 저것 46.5% 의 그만큼 변화 입력 포인트들 ~이다 계산 ~을위한
~에 의해 이것 평균 포인트들 당 게임, 어느 ~이다 예쁜 좋은.
그리고 그만큼 평균 제곱근 오차 ~이다 ~에 대한 5. 27.
그만큼 평균 제곱근 오차 이다 기준 편차 의 그만큼 잔여,
그래서 이것의 본질적으로 그만큼 변화 입력 어떻게 잘 우리의 모델 ~이다 예측.
그것의 기준 편차 ~이다 주위에 다섯.
그리고 우리 ~ 할 수있다 또한 바라보다 ~에 일부 다른 측정,
그런 같이 그만큼 AIC, 어느 ~이다 사용 된 에게 비교하다 모델 ~을위한 예측 가능성.
그래서 AIC ~이다 또 다른 중요한 측정하다,
그리고 그것 측정 어떻게 잘 그만큼 모델 ~ 할 것이다 예측하다
상대적인 에게 그만큼 숫자 의 예측 변수 놓다 입력 그만큼 모델,
단지 에게 만들다 확실한 당신은 ~ 아니다 첨가 방법 ~도 많은.
그래서 입력 이것 사례, 그만큼 AIC ~이다 매우 높은, 그리고 우리 ~ 할 수있다 오다 뒤 에게 이것 숫자
같이 우리 바라보다 ~에 그만큼 비교 ~ 사이 이것 그리고 그만큼 다수의 선의 회귀
저것 나 ~ 할 것이다 보여 주다 나중에.
그래서 동안 나 ~였다 견딜 수 없는 에게 선택하다 그만큼 모델 저것 나 ~였다 가고있다 에게 선택하다,
나 결정했다 에게 사용 그만큼 모델 상영 특징 입력 제이엠피,
어느 허용 너 에게 고르다 당신의 응답 변수 그리고 모두 그만큼 요인 변수.
나 끝났다 위로 퍼팅 입력 모두 의 그만큼 숫자 변수 저것 나 가졌다 ~을위한 ㅏ 가득한 모델
단지 에게 보다 처음에 어느 모델 공연하다 그만큼 베스트.
그리고 나 ~였다 할 수있는 에게 선택하다 ~에서 ㅏ 다양성 의 이것들 다른 행동 양식,
포함 XGB 오스트 그리고 일반화된 R 외출,
그리고 그 다음에 의 강좌, 단지 그만큼 정상 임차권 정사각형.
입력 그만큼 관심 의 시각, 이것 ~ 일 것이다 가져 가다 영원히 에게 운영
왜냐하면 이것의 사용 일부 의 이것들 기계 학습 알고리즘.
그래서 나는 대신에 단지 가고있다 에게 당기다 위로 빨리 스크린샷 의 그만큼 모델 상영.
그래서 여기 우리 가지다 그만큼 산출 ~에서 이것 모델 상영.
그것 쇼 그만큼 RS 광장.
다시, 나 ~였다 사용 케이폴드 확인 ~와 함께 십 주름 여기.
그래서 이것 쇼 그만큼 RS 광장
그리고 그만큼 루트엠 이안 정사각형 오류 ~을위한 각 운영.
그래서 우리 ~ 할 수있다 보다 저것 그만큼 최소 정사각형 맞다 실제로 가졌다
ㅏ 매우 강한 맞다 비교 에게 일부 의 그만큼 기계 학습 알고리즘,
어느 나 ~였다 놀란 에 의해. 하지만 그것 실제로 도움 ~을위한 해석 가능성
왜냐하면 일부 의 이것들 기계 학습 알고리즘,
그들은 더 의 ㅏ 검은 색 상자. 그리고 만약 나 ~이었다 에게 사용 저것들,
그것 하지 않을 것이다 ~이다 같이 쉬운 에게 해석하다 그만큼 계수 또는 보다
어느 변수 ~이다 진심으로 중요한
또는 어느 ~이다 단지 존재 사용 된 ~을위한 예측.
그래서 왜냐하면 그만큼 ~의 적합 최소 제곱 그리고 그만큼 올가미 회귀,
어느 아픈 가져 오기 ~ 안으로 ㅏ 작은 조금 나중에, ~이었다 그래서 높은,
이것의 실제로 ㅏ 좋은 징후 저것 나는 할 수있는 에게 사용 저것 ~을위한 더 나은 해석 가능성.
그래서 같이 우리 ~ 할 수있다 보다, 그만큼 대부분 정확한 모델 ~이다 이것 다수의 선의 회귀
~와 함께 올가미 정규화.
올가미 정규화 ~이다 ㅏ 통계 기술 저것 정규화 그만큼 모델
그리고 선택하다 특징 에게 최소화 다중공선성.
다중공선성 ~이다 그만큼 상관 관계 ~ 사이 예측 변수
그리고 저것 ~ 할 수있다 부정적으로 영향을 미치다 그만큼 모델.
그래서 사용 이것 기술,
이었다 할 수있는 에게 가져 가다 그만큼 가득한 선의 회귀 모델 표시 여기
그리고 제거하다 일부 의 그만큼 변수 에게 최소화 그만큼 다중공선성
그리고 아마도 풀다 일부 의 그만큼 선의 가정 더 나은.
그래서 ~와 함께 저것 정보,
나 ~였다 할 수있는 에게 가져 가다 그만큼 변수 선택된 ~와 함께 올가미 정규화
그리고 그 다음에 만들다 ㅏ 다수의 선의 회귀 사용 저것들 변수.
그래서 같이 너 ~ 할 수있다 보다 여기,
그만큼 실제 ~에 의해 예측 구성 외모 예쁜 비슷한.
그것 ~ 할 것 같다 ~이다 약간 가까이 에게 그만큼 선 의 베스트 맞다 여기, 어느 ~이다 ㅏ 좋은 징후.
그리고 우리 ~ 할 수있다 보다 우리의 효과 요약,
하지만 이었다 가고있다 에게 스크롤 ㅏ 작은 조금 과거 저것
그래서 저것 우리 가져 오기 에게 그만큼 요약 의 우리의 맞다.
그래서 비교 에게 그만큼 단순한 선의 회귀,
그만큼 RS 광장 그리고 그만큼 조정됨 RS 광장 ~이다 매우 비슷한 그리고 그건 아마
왜냐하면 포인트들 당 게임 ~이다 그런 ㅏ 무겁게 힘 있는 요인 입력 이것,
같이 잘 같이 그만큼 단순한 선의 회귀, 확실히.
그래서 그만큼 맞다 ~이다 ~ 아니다 ~도 많이 다른.
하지만, 첨가 이것들 다른 변수 표시 여기 하다 개선하다
그만큼 루트엠 이안 정사각형 오류 ㅏ 작은 조금.
그것 갔다 ~에서 ~에 대한 5.3 에게 작은 ~ 위에 5.2, 어느 ~이다 ~ 아니다 ㅏ 격렬한 개선,
하지만 an. 개선 그럼에도 불구하고.
하지만 그만큼 진짜 차이점 여기 ~이다 입력 그만큼 AIC 그리고 비교 이것들 모델 입력 자귀
의 그들의 예측 가능성, 그만큼 AIC 떨어졌다 상당히
~에서 그만큼 단순한 선의 회귀 에게 이것 다수의 선의 회귀
~와 함께 올가미 R 정규화, 어느 ~이다 분명히 ㅏ 좋은 징후.
우리 보다 일부 의 이것들 매개변수 견적 아래에 여기 그리고 의 강좌 그만큼 결과
~을위한 RS 광장 그리고 뿌리 평균 정사각형 오류 입력 가로 질러 가다 확인.
그래서 찾고 ~에 일부 의 이것들 매개변수 E 추정,
그만큼 포인트들 당 게임, 다시 매우 중요한,
중요하다 ~에 그만큼 .05 알파 수준 그리고 많은 아래에 저것.
그리고 이것 ~이다 에게 ~이다 예상되는, 같이 우리는 설명 이미.
회전율 백분율 ~이다 또한 중요한
그리고 이것 가지다 ㅏ 부정적인 관계 ~와 함께 포인트들.
같이 하나 ~ 일 것이다 예상하다, 만약 당신은 선회 그만큼 공 ~ 위에 더,
그건 더 적은 기회 에게 사격 그만큼 공,
더 적은 기회 에게 점수.
그래서 저것 체크 무늬 밖 ~와 함께 단지 우리의 지식 의 농구.
여기 우리 가지다 그만큼 방어적인 속도, 또는 그만큼 속도 의 그만큼 방어적인 팀,
그리고 이것 가지다 ㅏ 약간 긍정적 인 관계 ~와 함께 포인트들 가정 어구
켜짐 그만큼 다른 요인 입력 그만큼 모델.
다시, 그건 에게 ~이다 예상되는 왜냐하면 그만큼 더 빠르게 ㅏ 팀 연극,
그건 일반적으로 더 기회.
하지만, 그것 ~ 할 것 같다 ~ 아니다 가지다 그런 ㅏ 강한 효과 같이 턴오버 또는 포인트들 당 게임.
그리고 그 다음에 마지막으로, 방어적인 반등 백분율.
이 ~이다 단지 어떻게 자주 그만큼 방어적인 팀 운반하다 그만큼 방어적인 리바운드.
다시, 이것 ~이다 방지 초 가능성 포인트들 ~을위한 그만큼 위반,
그래서 그것 ~해야한다 가지다 ㅏ 부정적인 관계 배, 어느 그것 하다.
그래서 모두 이것들 것들 확인하다 밖,
그리고 그 다음에 일부 의 이것들 다른 변수 ~이다 의미 없는 조건부로,
하지만 포함 왜냐하면 그들 개선하다 그만큼 예측 가능성 의 그만큼 모델.
그래서 무엇 처럼 용법 비율 ~ 할 것 같다 ~ 아니다 ~이다 중요한 ~에 그만큼 .05 수준,
하지만 그것 그럼에도 불구하고 개선하다 우리의 예측.
지금, 앎 저것 포인트들 당 게임 ~ 할 것 같다 ~ 아니다 ~이다 사용 가능
~에 그만큼 시작 의 그만큼 계절, 에게 그만큼 정도 저것 그것 ~이다
근처에 그만큼 끝 의 그만큼 계절,
의미 저것 포인트들 당 게임 ~ 할 것 같다 ~이다 ㅏ 작은 더 적은 믿을 수있는
~와 함께 ㅏ 더 작은 견본 크기.
ID 바라보다 에게 만들다 an. 번갈아 하는 모델 없이 저것
에게 보다 만약 나 ~ 할 수 있었다 아직 예측하다
더 나은 ~보다 그만큼 단순한 선의 회귀 그리고 비슷한 에게 그만큼 올가미 회귀,
하지만 없이 의존 켜짐 ㅏ 포인트들 당 게임 ~을위한 그만큼 계절 측정하다.
그래서 이것 번갈아 하는 모델, 나 만들어진 사용 뒤로 선택 ~에 의해 AIC.
그리고 다시 나 왼쪽 밖 그만큼 계절 포인트들 당 게임,
그래서 그것 아직 포함 그만큼 다른 포인트들 당 게임 측정,
또는 다른 당 게임 측정 꽤,
처럼 필드 골 시도 ~에서 삼 그리고 ~에서 둘,
어느 ~을 따라 ~와 함께 일부 의 이것들 다른 변수 ~ 할 수있다 ~이다 ㅏ 대리 ~을위한
저것 평균 포인트들 당 게임.
그래서 그것' 에스 ~ 아니다 완전히 건장한 ~에 맞서 일찍 계절 변동
그리고 작은 견본 크기.
하지만 이것의 가능한 저것 이것들 변수 ~ 할 것 같다 ~이다 ㅏ 작은 조금 더 대표
의 어떻게 ㅏ 플레이어 ~이다 가고있다 에게 공연하다 입력 그만큼 긴 운영.
나는 생각 저것 아마도
선수들 ~ 할 것 같다 ~이다 ㅏ 작은 더 일관된 ~와 함께 그들의 시도 통계,
또는 그만큼 비율 ~에 어느 그들은 촬영 그만큼 공,
꽤 ~보다 단지 그만큼 양 의 포인트들 그들 가져 오기 저것 ~ 할 수 있었다 달라지다 기반을 둔 켜짐
단지 ㅏ 작은 견본 크기.
이것들 ~ 할 수 있었다 같이 잘 하지만...
단지 사용 이것 모델 같이 an. 대안,
그리고 그것 회전 밖 저것 그것 실제로 예측하다
예쁜 비슷하게 에게 그만큼 모델 ~와 함께 포인트들 당 게임 입력 그것.
그래서 그것 ~ 할 것 같다 ~ 아니다 ~이다 선호 필연적으로 만약 포인트들 당 게임 ~이다 사용 가능.
부적절 하지만 그것 제공 ㅏ 비슷한 예측.
그래서 우리 ~ 할 수있다 보다 저것 그만큼 RS 광장 ~이다 예쁜 비슷한,
5 월 가지다 증가 ㅏ 작은 조금,
그리고 그만큼 뿌리 평균 정사각형 오류 ~이다 다시 비슷한.
그만큼 AIC 제안 저것 그만큼 다른 모델 ~이다 ㅏ 더 나은 모델 ~을위한 예측
기반을 둔 켜짐 그만큼 양 의 변수 포함, 그래서 저것 ~이다 분명히 무엇 에게 노트.
하지만 각 모델 가지다 그것의 장점.
이 하나, 특히,
우리 ~ 할 수있다 보다 일부 의 그만큼 가정 어구 관계 의 그만큼 다른 변수,
특히 저것들 켜짐 그만큼 방어적인 옆, 저것 우리 할 수 없었다 보다 같이 많이
입력 그만큼 다른 하나 왜냐하면 포인트들 당 게임 ~였다 지배 그래서 많이.
그래서 우리 보다 여기 저것 둘 포인터 그리고 삼 포인터 시도
~이다 무게 하찮게 ~을위한 포인트들, 어느 다시,
저것 만든다 감각 왜냐하면 그만큼 더 샷 당신은 취득,
그만큼 더 ~ 할 것 같은 너 ~이다 에게 점수 더 포인트들.
그리고 그 다음에 거기 ~이다 일부 다른 변수 저것 만들다 감각,
그리고 일부 기타 저것 아마도 지역 작은 혼란스러운 ~에 첫 번째 시력.
그래서 공격 주식을 얻다,
저것 존재 ㅏ 중요한 변하기 쉬운 만든다 감각 그건 자질
어떻게 많이 ㅏ 플레이어 ~이다 기여 에게 승리 켜짐 그만큼 공격 옆,
그것 만든다 감각 저것 저것 가지다 ㅏ 긍정적 인 관계
같이 우리 ~ 할 수있다 보다 아래에 여기.
그래서 공격 주식을 얻다 오른쪽 여기 가지다 ㅏ 긍정적 인 관계.
그리고 또한 그만큼 방어적인 반등 백분율 아래에 여기
감소 그만큼 견적 다시, 그래서 저것 ~이다 예쁜 일관된
~와 함께 뭐라고 요 우리는 본 입력 그만큼 이전 모델.
평균 파울 당 게임, 평균 개인적인 파울 당 게임 아래에 여기,
가지다 ㅏ 부정적인 효과 내가 생각했던 ~였다 흥미로운.
그래서 ㅏ 플레이어 또는 팀 ~와 함께 ㅏ 더 높은 반칙 총
~이다 가고있다 에게 부정적으로 영향을 미치다 그만큼 포인트들 득점 ~을위한 그만큼 공격 플레이어.
이 ~ 할 것 같다 평균 그들은 더 공격적인.
나 ~ 일 것이다 추정하다 저것 그들 ~이다 놀이 더 강렬한 방어 입력 제한 포인트들
~을 통해 훔치다, 블록, 또는 무겁게 다투다 샷,
그리고 같이 ㅏ 결과, 그들은 구하는 더 파울 ~라고 불리는 켜짐 그들을.
하지만, 이것 ~이다 ~ 아니다 모두 좋은 ~을위한 그만큼 방어
왜냐하면 ~부터 그만큼 플레이어 ~ 할 수있다 반칙 밖 ~와 함께 여섯 반칙,
거기 ~이다 ㅏ 확실한 균형 에게 스트라이크 입력 그만큼 수비 끝.
너 하지마 원하다 에게 ~이다 ~도 공격적인
왜냐하면 그 다음에 너 ~ 할 수 있었다 ~이다 기부 위로 더 쉽게 포인트들
또는 너 ~ 할 수 있었다 ~이다 주요한 당신의 선수들 ~ 안으로 반칙 문제.
그래서 그건 an. 흥미로운 변하기 쉬운, 나 생각한다, 에게 고려하다.
그리고 의 강좌, 이것 ~이다 ㅏ 가정 어구 중요성,
그래서 그것 ~ 할 것 같다 변화 약간 기반을 둔 켜짐 그만큼 제거
또는 덧셈 의 확실한 다른 변수.
그리고 마지막으로, ㅏ 커플 의 방어적인 관계
~이다 특히 혼란스러운 ~에 첫 번째 섬광, 나 생각한다.
구체적으로 특별히 관련된 블록 그리고 방어자 키.
그래서 우리 생각한다 의 농구 있는 그대로 매우 매달린 켜짐 키.
만약에 너 ~이다 더 키가 크고, 당신은 더 ~ 할 것 같은 에게 가다 에게 그만큼 NBA.
세븐 바닥글, 나 생각한다 너 가지다 ㅏ 20퍼센트 가능성
의 단지 가고있다 에게 그만큼 NBA 조차 만약 너 ~이다 7피트.
그래서 이것 ~이다 무엇 저것 우리 생각한다, 만약 너라면 차단하다 샷 더 그리고 당신은 더 키가 크고,
당신은 가고있다 에게 ~이다 영향을 미치는 그만큼 범죄의 포인트들 부정적으로.
하지만, 우리 보다 저것 이것들 관계 ~이다 실제로 조건부로 긍정적 인,
어느 ~이다 매우 흥미로운 그 평균 블록 당 게임
그리고 그만큼 방어자 키, 같이 잘 같이 그만큼 블로킹 비율,
~이다 모두 긍정적 인 관계.
그리고 그래서 처음에는, 나 ~였다 혼란스러운 ~에 의해 이것, 하지만 나 생각한다 이것 가지다 더 에게 에 대해 말하다
그만큼 선수들 저것 이것들 선수들 ~이다 경비 꽤 ~보다
그만큼 실제 변수 그들 자신.
그래서 뭐라고 요 나 평균 ~에 의해 이것 ~이다 언제 당신은 고려 저것 키가 더 큰 선수들
~와 함께 더 나은 블로킹 통계 ~이다 큰 남자들 놀이 힘 앞으로 또는 센터,
그들은 경비 다른 큰 남자들.
그리고 그래서 저것 만든다 감각 ㅏ 작은 조금 더.
근위 연대 추세 에게 놓다 위로 더 포인트들 입력 그만큼 NBA ~와 함께 그만큼 중요성
켜짐 삼- 가리키다 촬영 지금.
그리고 ㅏ 많은 의 범죄 ~이다 운영 ~을 통해 일부 의 이것들 더 작은 선수들
누구 추세 에게 ~이다 경비 ~에 의해 다른 더 작은 선수.
반면 이것들 키가 더 큰 선수, ~와 함께 더 블록,
~이다 경비 큰 남자들 누구 아마도 그렇지 않다 그만큼 초점 가리키다 의 그만큼 위반,
곁에 ~에서 확실한 선수들 처럼 요키치 그리고 엠비드 그리고 자니스.
하지만 이것 원인 ㅏ 긍정적 인 관계,
하지만 이것의 진짜 더 ㅏ 함수 의 그만큼 위치
저것 이것들 선수들 ~이다 놀이.
그래서 나 생각 저것 ~였다 an. 흥미로운
가정 어구 관계 에게 가장 밝은 부분 이내에 그만큼 모델,
그리고 그것 포함 ㅏ 작은 조금 더 더 깊은 생각 ~에 대한 그만큼 관계 ~ 사이
블로킹, 키, 그리고 그만큼 포인트들 저것 an. 공격 플레이어 넣어 위로.
그래서 입력 자귀 의 그만큼 모델 전반적인,
우리 ~ 할 수있다 보다 저것 이것 하나 그리고 올가미 정규화 모델
~이다 매우 비슷한 입력 그들의 예측.
잘 보다 저것 입력 더 세부 사항 곧 언제 나 튀기다 에게 그만큼 2021년 예측,
하지만 그만큼 선택 그 다음에 ~ 할 것 같다 ~ 아니다 ~이다 ~도 중요한.
둘 다 가지다 그들의 장점.
의 강좌, 이것 하나 허용 우리를 에게 보다 그만큼 중요성 의 더 의 그만큼 변수,
구체적으로 특별히 그만큼 방어적인 변수,
반면 그만큼 첫 번째 하나 가지다 ㅏ 약간 낮추다 AIC
그리고 ~ 할 것 같다 ~이다 더 나은 ~을위한 예측 만약 그만큼 데이터 ~이다 사용 가능.
그래서 둘 다 떠나다 ㅏ 작은 조금 에게 ~이다 원하는
입력 자귀 의 예측 많이 더 확실하게 ~보다 그만큼 단순한 선의 회귀.
나 ~ 일 것이다 가지다 좋아했다 에게 보다 이것 뿌리 수단 광장 오류 감소하다 더,
그리고 이것의 무엇 나 ~ 일 것이다 바라보다 ~ 안으로 같이 나 계속하다 이것 프로젝트,
찾고 에게 모으다 더 나은 데이터, 견딜 수 없는 에게 만들다 그만큼 매치업
더 개별화 없이 희생 그만큼 정상 의 그만큼 응답 변하기 쉬운,
것들 처럼 저것.
하지만 ~와 함께 저것 존재 말했다, 이것들 ~이다 그만큼 모델 저것 나 가지다 지금,
그리고 우리 ~ 할 수있다 바라보다 에게 테스트 이것들 켜짐 그만큼 2021년 계절 이와 같이 멀리.
그래서 만약 나 스위치 ~ 위에 여기 ~로 매치업 ~을위한 2021년,
우리 가지다 그만큼 같은 데이터 테이블 단지 ~와 함께 이것 연령 매치업.
그리고 그래서 나는 단지 켜짐 조롱 하트의 매치업 오른쪽 지금
왜냐하면 나 가다 에게 빌라노바 그리고 그는 ㅏ 빌라노바,
그래서 여기 우리 가지다 그에게 같이 ㅏ 플레이어, 그의 팀, 그리고 그만큼 방어적인 팀,
그의 통계, 그들의 통계.
같이 우리는 이미 본, 이것들 ~이다 모두 그만큼 변수
저것 ~ 할 수 있었다 ~이다 포함 입력 그만큼 모델.
사과하다 ~을위한 그만큼 빠른 패닝,
하지만 여기 우리 가지다 그만큼 예측 ~에 그만큼 끝.
그래서 이것들 예측 변수, 또는 꽤 이것들 기둥,
~이다 그만큼 모델 예측.
그래서 우리의 첫 번째 하나, 우리의 첫 번째 모델, ~이다 그만큼 최적 다중 L 이니어 회귀
그건 사용 그만큼 올가미 회귀 그리고 포함 그만큼 포인트들 당 게임 변하기 쉬운.
같이 너 ~ 할 수있다 보다 입력 이것 게임,
그 ~이다 예측 에게 놓다 위로 12.8 포인트들 그리고 그만큼 잔여 여기 ~이다 ~에 대한 다섯.
그래서 입력 현실 이것 잔여 이다 포인트들 마이너스 그만큼 예측.
그래서 그 실제로 놓다 위로, 이것 ~이다 주위에 13 그리고 이것 ~이다 주위에 다섯,
그래서 그 놓다 위로 ~에 대한 18 포인트들 여기 대신에 의 우리의 예측 13.
그래서 그건 확실히 ~ 아니다 ㅏ 엄청난 측정하다.
그리고 그 다음에 우리 ~ 할 수있다 바라보다 일부에서 그만큼 대안 모델.
그만큼 대안 모델 예측 ~이다 매우 비슷한,
그리고 우리 ~ 할 것이다 보다 이것 입력 보다 큰 세부 사항 같이 나 튀기다 뒤 에게 그만큼 파워 포인트 그리고 보여 주다 너
친절한 의 ㅏ 응축된 버전 의 이것 데이터 테이블,
왜냐하면 오른쪽 지금 나 알고있다 저것 이것 JMP에서 ~이다 ㅏ 작은 조금 압도적
왜냐하면 거기 그래서 많은 변수, 그래서 많은 무작위의 숫자
존재 던진 ~에 너.
그래서 나는 가고있다 에게 스위치 뒤
~ 안으로 그만큼 파워 포인트 에게 보여 주다 너 일부 의 그만큼 예측
~을위한 둘 다 조롱 수사슴 여기 그리고 ~을위한 케빈 듀란트.
모두 오른쪽, 그래서 지금 저것 우리 가지다 우리의 둘 모델
그리고 그만큼 단순한 선의 회귀 에게 비교하다 그것 에게,
우리 ~ 할 수있다 적용하다 이것들 예측 에게 계략 저것 케빈 듀란트 가지다 연주 이것 계절.
그래서 여기 ~이다 네 계략 에서 연주 애틀랜타, 샬럿, 시카고, 그리고 클리블랜드.
입력 그만큼 첫 번째 하나, 그 득점 31 포인트들.
입력 현실, 둘 다 우리의 모델 예측 닫기 에게 26 포인트들,
그래서 그만큼 잔여 ~이다 단지 주위에 다섯.
하지만, 우리 보다 저것 케빈 때 듀란트 ~이다 닫기 에게 그의 평균 포인트들
주위에 28 또는 29 포인트들 당 게임,
언제 그 실제로 점수 저것, 그만큼 예측 ~이다 매우 닫기
왜냐하면 포인트들 당 게임 무게 그래서 무겁게 입력 이것들 모델.
그래서, ~을위한 예시, 입력 이것 클리블랜드 게임,
우리의 첫 번째 모델 예측 26.2 포인트들, 그 실제로 득점 27.
그러므로, 그만큼 잔여 ~이다 더 적은 ~보다 하나.
그리고 비슷하게 여기, 그만큼 잔여의 더 적은 ~보다 하나
~을위한 그만큼 대안 모델 같이 잘.
그래서 우리 보다 저것 그만큼 모델 뛰어나다 언제 선수들 공연하다 닫기 에게 평균,
어느 그들 ~ 할 것이다 ~하다 대부분 의 그만큼 시각. 하지만 거기 확실히 변화,
처럼 입력 이것 게임 ~에 맞서 샬럿, 그 가졌다 ㅏ 특히 좋은 게임.
그 득점 38 포인트들.
이것의 ㅏ 엄청난 게임, 하지만 특히 좋은 게임 ~에 의해 케빈 듀란트 표준.
그리고 그래서 그만큼 모델 예측 ~이다 많이 더 멀리 끄다.
그리고 우리 보다 그만큼 같은 물건 ~와 함께 조롱 수사슴.
그의 포인트들 평균의 ㅏ 작은 조금 낮추다 왜냐하면 그는 다시, 운반하다 ㅏ 거룻배 짐.
케빈 듀란트 ~이다 ㅏ 별 플레이어 켜짐 그만큼 그물,
그래서 그는 구하는 ㅏ 많은 의 만지다 그리고 취득 ㅏ 좋은 부분 의 저것들 샷.
그래서 여기 우리 가지다 하트의 생산.
다시, 그의 포인트들 평균 더 가깝다 에게 이것들 12 그리고 14 범위.
그래서 그만큼 잔차 여기 ~이다 매우 작은.
언제 그 넣어 위로 14,
우리의 모델 예측 주위에 13.5 그리고 그만큼 잔차 약 0.5 .
그래서 우리 가지다 진짜 좋은 예측 ~을위한 언제 그 점수
an. 평균 양 의 포인트들 또는 닫기 에게 an. 평균 양 의 포인트들.
하지만 언제 그 점수 더 적은 또는 많이 보다 큰
그 다음에 그만큼 예측 추세 에게 시달리다 ㅏ 작은 조금.
그래서 ~와 함께 모두 이것 존재 말했다, 나 알고있다 나 달렸다 ~을 통해 이것들 모델.
하자 가져 가다 ㅏ 단계 뒤 그리고 바라보다 ~에 그만큼 한계 입력 세부 사항
그리고 일부 더 나아가 공부하다 저것 나 ~ 할 수 있었다 포옹하다.
그래서 첫 번째 의 모두, 이것들 ~이다 사용 평균 ~에 의해 그만큼 공격 플레이어 그리고 방어적인 팀
같이 반대 에게 공격 플레이어 그리고 개인 플레이어.
같이 나는 말하는, 저것 ~ 일 것이다 ~이다 그만큼 이상적인 대본,
하지만 같이 나 ~였다 행위 그것, 그것 하지 않았다 일하다 밖 처럼 저것.
그래서 저것 ~ 할 수 있었다 ~이다 일으키는 일부 문제 왜냐하면 이것의 복제 일부 결과.
대신에 의 존재 종류 의 ㅏ 하나 에게 하나,
만약 ㅏ 플레이어 ~이다 존재 경비 ~에 의해 이것 플레이어,
이것 ~이다 어떻게 많은 포인트들 그들 ~ 할 것이다 점수.
만약에 ㅏ 플레이어 ~이다 존재 경비 ~에 의해 ㅏ 콤비네이션 의 선수들 켜짐 이것 팀,
이것 ~이다 어떻게 많은 포인트들 그들 ~ 할 것이다 점수.
그래서 이것의 더 쉽게 에게 예측하다 하지만 아마도 ㅏ 작은 더 적은 정확한.
추가적으로, 그만큼 평균 ~이다 ~을위한 그만큼 전체 계절,
어느 수단 예측 ~을 향하여 그만큼 시작 5 월 ~이다 더 적은 정확한,
같이 나 말하는, 어느 ~이다 무엇 저것 나 생각한다 그만큼 직업 가치
노력하다 에게 치료 ㅏ 작은 조금.
그것 ~ 할 수 있었다 ~이다 가치 첨가 것들 처럼 포인트들 당 게임
입력 그만큼 계절 변수 ~와 함께 ㅏ 지연 의 아마도 다섯 계절.
그래서 취득 그만큼 평균 포인트들 당 게임 ~을위한 그만큼 마지막 계절, 둘 계절 전에,
삼 계절 전에, 그리고 그래서 켜짐 에게 노력하다 에게 추가하다 일부 더 변수
그리고 아마도 예측하다 ㅏ 시각 또는 ㅏ 경향 입력 플레이어 성능.
추가적으로, 플레이어 성능 ~이다 매달린 켜짐 셀 수 없는 다른 요인
그런 같이 추운 또는 더운 줄무늬,
어떻게 잘 그들은 계속 ~이다 실행할 수 있는 같이 의 늦은,
부상 켜짐 그들의 소유하다 팀, 부상 켜짐 그만큼 반대 팀
저것 ~ 할 수 있었다 증가하다 또는 감소하다 그들의 역할,
미성년자 부상 저것 그들 ~이다 취급 ~와 함께 그들 자신
저것 ~ 할 수 있었다 감소하다 또는 증가하다 그들의 역할.
그리고 그 다음에 것들 처럼 쉬다 날,
여행하다 시각, 그리고 ㅏ 많은 의 다른 무형자산
처럼 NBA 선수들 ~이다 인간 그리고 우리 모두 알고있다 일부 날 이었다 ~ 아니다 감정 그만큼 베스트,
다른 날 이었다 감정 엄청난, 더 활기찬.
저것들 유형 의 것들 ~ 할 수 있었다 선두 에게 더 나은 성능 또는 더 나쁜 성능.
그래서 이것들 무형자산 ~이다
~ 아니다 가고있다 에게 ~이다 무엇 저것 나 ~ 할 수있다 요인 ~ 안으로 그만큼 모델
하지만 이것의 중요한 에게 인정하다 저것 그들 ~ 할 수 있었다 아직 영향을 미치다
그만큼 포인트들 입력 ㅏ 주어진 게임.
입력 자귀 의 더 나아가 공부하다,
나 ~ 일 것이다 사랑 에게 친절한 의 시정하다 모두 이것들 한계
그리고 바라보다 에게 예측하다 ㅏ 더 전체적인 변하기 쉬운
그런 같이 공격 평가.
그래서 공격 평가 ~이다 가고있다 에게 예측하다 ㅏ 플레이어의 포인트들 당 100 재산
기여 에게 그만큼 게임 대신에 의 단지 하나 측면 의 그만큼 게임 입력 포인트들.
나 ~ 일 것이다 사랑 에게 예측하다 무엇 처럼 이것 또는 튀기다 그것 에게 그만큼 방어적인 옆
그리고 예측하다 ㅏ 방어적인 평가 기반을 둔 켜짐 누구 그들은 ~ 할 것 같은
에게 가다 위로 ~에 맞서 켜짐 위반.
그래서 무엇 처럼 저것 나 생각한다 ~ 일 것이다 ~이다 진짜 시원한
그리고 그것 ~ 일 것이다 연장하다 그만큼 애플리케이션 의 이것 더 ~을 향하여 코치
그리고 팀 분석가 대신에 의 아마도 일부 의 그만큼 공상 농구 선수들
누구 ~이다 찾고 ~을위한 ㅏ 엄격한 측정 처럼 포인트들 또는 무엇 처럼 저것.
그래서 ~와 함께 모두 이것 존재 말했다,
나는 분명히 가고있다 에게 계속하다 일하고있는 켜짐 이것 프로젝트.
그것 ~였다 ㅏ 많은 의 재미있는 그리고 나 사랑 찾고 ~에 이것들 모델
그리고 통역 ~에서 ㅏ 농구 점 뭐야 가고있다 켜짐.
만약에 너 가지다 어느 질문, 제발 느끼다 무료 에게 놓다 저것들 질문
입력 나의 지역 사회 게시하다 입력 그만큼 코멘트. 아픈 ~이다 행복하다 에게 답변 그들을.
그리고 만약 너 가지다 어느 제안 같이 잘 ~을위한 더 나아가 공부하다,
나 ~ 일 것이다 또한 ~이다 행복하다 에게 가져 가다 저것들 켜짐. 감사합니다 너 그래서 많이 당신의 시각.
