你好，每个人。 我的姓名是凯文奥唐奈。
我是A JMP全球的客户参考实习生，
和今天患病的是呈现在A个人的分析项目
那我有完毕那是这NBA播放器匹配模型。
所以只是到得到开始,
我会喜欢到去超过我的主意和这动机为了建筑这模型。
我有总是到过令人难以置信感兴趣的在篮球。
我有到过A巨大的篮球扇子为了我的所有的生活，
和我曾是看着为了A新的分析项目到潜水进入，
所以我结束向上问这问题这里：
可以我们模型A玩家的进攻成功
基于在他们的平均值和这力量的他们的对手作为出色地？
所以作为最多的我们知道从观看任何运动，
玩家表现变化大大地从游戏到游戏。
它是基于在A种类的因素
和一的这些存在A玩家的平均的点。
那将要是A非常强的预测器为了积分在一个NBA游戏，
但它是远的从这仅有的影响在A玩家的进攻表现。
所以去进入这项目，
我通缉到建造A模型那预料到的这球员积分在这游戏
基于在这积分每游戏，
但还A很多的其他变量哪个我们将要看进入在这下一个滑动。
所以理想情况下，这将要是有帮助为了教练员和团队分析师到，
为了例子，决定哪个的他们的进攻球员是可能
到超过履行或者有能力的到履行真的出色地
基于在他们的匹配UPS和副相反，哪个的他们的球员他们可能想
到避免在罪行因为他们是存在看守
经过一些的这最好的防守的球员在这其他团队。
这可以通知玩呼唤和游戏规划，
所以如果A特别的后卫是较弱的，教练员可能看到目标那匹配向上
或者看到力量A转变到他们的最好的得分手。
在这娱乐领域，
幻想篮球球员可以使用这数据到数字出去
WHO到开始或者WHO到挑选向上离开这放弃金属丝，
所以它有A广阔范围的应用程序。
所以这是A小的少量的这概述的这数据。
患病的去通过这迅速地，我们会看这作为我去
进入这JMP演示A小的少量更多的在细节，
但是去到预测积分每游戏基于在七主要的类别的数据。
所以是去到使用玩家进攻平均值为了这季节，
这包括事物喜欢积分每游戏，
3.2观点百分比，和先进的指标这样的作为用法速度，
哪个记录如何经常一个进攻玩家是用过的在他们的团队。
播放器属性这样的作为高度，翅膀跨度，垂直的飞跃
将要还是包括为了两个都这进攻和防守的球员
因为这些身体的属性，我会认为，还贡献
到如何许多积分A玩家将要分数。
最后，在条款的这进攻球员，
出色地使用职业平均值。
这相同的平均值那是使用为了这季节，
出色地还使用为了这职业到添加A小的更多的鲁棒性到这模型，
和全面的团队步伐和进攻反弹百分比
是还去到是A预测器因为那将要决定
如何许多财产那里将要是。
如果那里是更多的财产在这游戏，它是更多的可能那任何给予玩家
将要有更多的点。
等等那相同的令牌，防守的团队步伐
和防守的反弹百分比将要还是用过的。
在条款的个人防守的统计数据，事物喜欢抢断，盖帽，犯规，
和其他先进的指标这样的作为防守的赢股，哪个措施
一个个人玩家的贡献到这团队的赢在防御。
那些是还去到是预测器到
大概否定这数量的积分那是得分经过一个进攻播放器。
和然后最后，这后卫属性将要是用过的作为我提及更早。
所以前我们得到正确的进入这数据和这造型和跳转,
我会喜欢到去超过这配对数据那我曾是使用
为了这大部分的这模型。
所以这NBA最近实施的一些新的个人的匹配向上数据收藏
和它是基于在详细的玩家追踪。
所以它曲目这最近的后卫在每一个观点，
不是只是这基本的后卫在A玩。
它仅有的曲目正面法庭时间和它将要追踪部分的财产。
所以什么这方法是那A玩家可以是看守经过
作为许多作为五不同的球员在A单身的玩，
和每个后卫会是授予这各自数量
的配对分钟为了那拥有。
所以这里我们有一个例子的特里罗齐尔为了这黄蜂队
存在看守经过四不同的球员在不同的团队。
在这第一的排，斯蒂芬咖喱是守护他
在仅有的一游戏为了2.7分钟和允许二点。
所以如果我们思考的A假想在哪里这黄蜂队是玩
斯蒂芬咖喱的金的状态勇士队和咖喱看守罗齐尔为了10秒，
和然后克莱汤普森切换在到罗齐尔为了其他10秒，
两个都会是授予那些10秒的配对时间。
然而，如果罗齐尔得分A二指针在这结尾的这拥有，
这积分会是标记为了克莱汤普森。
这是真的凉爽的追踪数据和我爱如何具体的它是，
但它做过原因一些问题什么时候我试过到模型这积分每分钟
为了每个玩家和后卫组合，哪个曾是我的原来的计划。
所以我曾是起初去到使用这进攻玩家统计数据
和防守的玩家统计数据那我提及在这以前的滑动
在每一个个人配对。
但自从许多捍卫者，喜欢你会看这里，
登录非常小的数额的时间，
喜欢斯坦利约翰逊仅有的看守罗齐尔为了一个平均的的在下面一分钟A游戏，
那是不是足够的时间
为了一些的这些积分每分钟测量到是普通的。
所以去后退到那克莱汤普森假想，
如果克莱仅有的看守罗齐尔为了10秒这所有的游戏
和罗齐尔有到分数二积分在那拥有，
然后罗齐尔的积分每分钟反对克莱在那排会是12.
所以明显地，外推那到A满的游戏，
甚至排除这后退法庭时间作为这数据做，它是非常不切实际。
所以我有到去和A轻微地不同的，较少的理想的方法。
反而的使用这个人防守的统计数据，
我实际上平均的他们出去
为了每个组合的玩家和防守的团队。
所以反而的使用罗齐尔相对咖喱和罗齐尔相对汤普森，
我会使用罗齐尔相对这全部的金的状态勇士队平均的基于在
这数量的配对分钟那每个玩家捍卫罗齐尔。
所以为了例子，
如果斯蒂芬咖喱和克莱汤普森两个都看守他为了一半这数量
的可能的匹配向上分钟，然后这团队平均的，
让我们说抢断每游戏，会只是是这算术意思是
的咖喱抢断和克莱抢断每游戏。
这相同的会去为了每一个防守的多变的
和那是明显地A简单的例子，
但这相同的去为了每一个玩家相对每一个团队。
所以明显地这是不是理想的因为它最小化
这个性的这配对。
但我有到放弃那积分每分钟方法
因为这样品是也小的和这回复曾是沉重地扭曲。
所以这模型那我有创建和这聚集的数据是更多的准确的
比我的最初的尝试，甚至尽管它牺牲一些个性。
所以在这观点，我是去到转变进入JMP这里
和做A小的少量的这演示如何我建成这模型
和一些探索性的数据分析到开始。
所以到开始，是只是去到看在一些边缘关系
和积分在这图形建设者，
和我是有能力的到选择任何我想。
但为了现在是去到看具体来说在三变量，
这第一的存在积分每游戏。
所以我们看这里，我们有A缓和关系
和积分和积分每游戏，和它是积极的作为我们会预计。
这平均的积分那某人看跌期权向上在A游戏，
或者超过这课程的这季节相当，是去到明显地影响
如何许多积分他们分数在A游戏。
相似地，某物喜欢用法速度，
这先进的统计数据那我曾是讨论早些时候，
还有A积极的关系，
只是轻微地较弱比这关系之间积分和积分每游戏。
最后，如果我们看在一些的这职业统计数据，
如果我们看在职业积分每游戏，然后再次我们看A积极的关系，
但那是A小的少量较弱因为它是平均的超过这课程
的A玩家的职业相当比这季节那是现在在。
但希望这可以帮助调整为了一些主要的差异
在这积分每游戏总数或者平均值相当。
所以现在那我们有一种的一个主意的这数据本身，
我们能移动进入这简单的线性的回归
和积分经过积分每游戏作为A基准为了这模型。
所以作为我提及，
你能预测基于在只是积分每游戏
和它将要给你A体面的预言。
但是看着到提升那预言经过添加
一些的这些不同的变量，进攻和防御性的。
所以如果我们跑步这脚本这里，
这是只是比较一些跑的A简单的线性的回归
在这训练和验证放使用K折验证自始至终。
和如果我跑步这里使用这隐验证 2柱子
那患病的是使用为了这余的这些楷模，
然后我们能看这回归这里。
所以这是A回归阴谋。 它看起来漂亮的疏散。
有不是A清除线性的关系，但这RS广场是缓和，
意义那46.5%的这变化在积分是会计为了
经过这平均的积分每游戏，哪个是漂亮的好的。
和这根均方误差是关于5. 27.
这根均方误差是个标准偏差的这剩余的，
所以它是本质上这变化在如何出色地我们的模型是预测。
它是标准偏差是大约五。
和我们能还看在一些其他措施，
这样的作为这工商局,哪个是用过的到比较楷模为了可预测性。
所以工商总局是其他重要的措施，
和它措施如何出色地这模型将要预测
相对的到这数字的预测器放在这模型，
只是到制作当然你是不是添加方式也许多。
所以在这案件，这工商总局是非常高的，和我们能来后退到这数字
作为我们看在这比较之间这和这多种的线性的回归
那我将要展示之后。
所以尽管我曾是试到挑选这模型那我曾是去到选择，
我决定到使用这模型放映特征在跳转,
哪个允许你到选择你的回复变量和全部这因素变量。
我结束向上推杆在全部的这数字变量那我有为了A满的模型
只是到看最初哪个楷模履行这最好的。
和我曾是有能力的到选择从A种类的这些不同的方法，
包括XGB奥斯特和广义R出口，
和然后的课程，只是这普通的租正方形。
在这兴趣的时间，这会拿永远到跑步
因为它是使用一些的这些机器学习算法。
所以我是反而只是去到拉向上一个快速截屏的这模型筛选。
所以这里我们有这输出从这模型筛选。
它节目这RS广场。
再次，我曾是使用K折验证和十褶皱这里。
所以这节目这RS广场
和这根号简正方形错误为了每个跑步。
所以我们能看那这至少正方形合身实际上有
A非常强的合身比较的到一些的这机器学习算法，
哪个我曾是吃惊经过。 但它实际上帮助为了可解释性
因为一些的这些机器学习算法，
他们是更多的的A黑色的盒子。 和如果我是到使用那些，
它不会是作为简单的到解释这系数或者看
哪个变量是真的重要的
或者哪个是只是存在用过的为了预言。
所以因为这适合的最小二乘法和这套索回归，
哪个患病的得到进入A小的少量之后，是所以高的，
它是实际上A好的符号那我是有能力的到使用那为了更好的可解释性。
所以作为我们能看，这最多准确的模型是这多种的线性的回归
和套索正则化。
套索正则化是A统计技术那正则化这模型
和选择特征到最小化多重共线性。
多重共线性是这相关性之间预测器
和那能消极地影响这模型。
所以使用这技术，
是有能力的到拿这满的线性的回归模型显示这里
和消除一些的这变量到最小化这多重共线性
和或许满足一些的这线性的假设更好的。
所以和那信息，
我曾是有能力的到拿这变量已选择和套索正则化
和然后创造A多种的线性的回归使用那些变量。
所以作为你能看这里，
这实际的经过预料到的阴谋看起来漂亮的相似的。
它可能是轻微地更近到这线的最好的合身这里，哪个是A好的符号。
和我们能看我们的影响总结，
但是去到滚动A小的少量过去的那
所以那我们得到到这概括的我们的合身。
所以比较的到这简单的线性的回归，
这RS广场和这调整后RS广场是非常相似的和那是大概
因为积分每游戏是这样的A沉重地有影响因素在这，
作为出色地作为这简单的线性的回归，明显地。
所以这合身是不是也很多不同的。
然而，添加这些不同的变量显示这里做提升
这根号简正方形错误A小的少量。
它去从关于5.3到小的超过5.2,哪个是不是A激烈的改进，
但一个改进尽管如此。
但这真实的不同之处这里是在这工商总局和比较这些楷模在条款
的他们的可预测性，这工商总局掉落显著地
从这简单的线性的回归到这多种的线性的回归
和套索R正则化，哪个是确实A好的符号。
我们看一些的这些范围估计向下这里和的课程这结果
为了RS广场和根意思是正方形错误在叉验证。
所以看着在一些的这些参数E估计，
这积分每游戏，再次非常重要的，
这很重要在这.05 一个α等级和许多以下那。
和这是到是预期的，作为我们已经解释已经。
周转百分比是还重要的
和这有A消极的关系和点。
作为一会预计，如果你是车削这球超过更多的，
那是较少的机会到射击这球，
较少的机会到分数。
所以那检查出去和只是我们的知识的篮球。
这里我们有这防守的步伐，或者这步伐的这防守的团队，
和这有A轻微地积极的关系和积分有条件的
在这其他因素在这模型。
再次，那是到是预期的因为这快点A团队戏剧，
那是一般来说更多的机会。
然而，它可能不是有这样的A强的影响作为失误或者积分每游戏。
和然后最后，防守的反弹百分比。
这是只是如何经常这防守的团队运输这防守的反弹。
再次，这是预防第二机会积分为了这罪行，
所以它应该有A消极的关系船，哪个它做。
所以全部这些事物查看出去，
和然后一些的这些其他变量是微不足道有条件的，
但包括因为他们提升这可预测性的这模型。
所以某物喜欢用法速度可能不是是重要的在这.05等级，
但它尽管如此改善我们的预测。
现在，会心那积分每游戏可能不是是可用的
在这开始的这季节，到这程度那它是
靠近这结尾的这季节，
意义那积分每游戏可能是A小的较少的可靠的
和A更小样本尺寸。
ID看到创造一个备用模型没有那
到看如果我可以仍然预测
更好的比这简单的线性的回归和相似的到这套索回归，
但没有依赖在A积分每游戏为了这季节措施。
所以这备用模型，我创建使用落后选择经过工商会。
和再次我左边出去这季节积分每游戏，
所以它仍然包括这其他积分每游戏测量，
或者其他每游戏测量相当，
喜欢射门得分尝试过从三和从二，
哪个沿着和一些的这些其他变量能是A代理人为了
那平均的积分每游戏。
所以它'秒不是完全地强壮的反对早期的季节波动
和小的样本尺寸。
但它是可能的那这些变量可能是A小的少量更多的代表
的如何A玩家是去到履行在这长的跑步。
我是思维那或许
球员可能是A小的更多的持续的和他们的尝试过统计数据，
或者这速度在哪个他们是射击这球，
相当比只是这数量的积分他们得到那可以各不相同基于在
只是A小的样本尺寸。
这些可以作为出色地但...
只是使用这模型作为一个选择，
和它轮流出去那它实际上预测
漂亮的相似地到这模型和积分每游戏在它。
所以它可能不是是受宠一定如果积分每游戏是可用的。
不当但它提供A相似的预言。
所以我们能看那这RS广场是漂亮的相似的，
可能有增加A小的少量，
和这根意思是正方形错误是再次相似的。
这工商总局建议那这其他模型是A更好的模型为了预测
基于在这数量的变量包括，所以那是确实某物到笔记。
但每个模型有它是优点。
这一，特别，
我们能看一些的这有条件的关系的这其他变量，
特别那些在这防守的边，那我们不能看作为很多
在这其他一因为积分每游戏曾是主宰所以很多。
所以我们看这里那二指针和三指针尝试过
是称重微不足道的为了点，哪个再次，
那使感觉因为这更多的镜头你是采取，
这更多的可能你是到分数更多的点。
和然后那里是一些其他变量那制作感觉，
和一些其他的那或许区域小的令人困惑在第一的视线。
所以进攻赢股，
那存在A重要的多变的使感觉那是测量
如何很多A玩家是贡献到赢在这进攻边，
它使感觉那那有A积极的关系
作为我们能看向下这里。
所以进攻赢股正确的这里有A积极的关系。
和还这防守的反弹百分比向下这里
减少这估计再次，所以那是漂亮的持续的
和什么我们已经见过在这以前的模型。
平均的犯规每游戏，平均的个人的犯规每游戏向下这里，
有A消极的影响我以为曾是有趣的。
所以A玩家或者团队和A更高犯规全部的
是去到消极地影响这积分得分为了这进攻播放器。
这可能意思是他们是更多的挑衅的。
我会认为那他们是玩更激烈防御在限制积分
通过抢断，块，或者沉重地有争议的镜头，
和作为A结果，他们是得到更多的犯规称为在他们。
然而，这是不是全部好的为了这防御
因为自从这玩家能犯规出去和六犯规，
那里是A肯定平衡到罢工在这防守端。
你不想到是也挑衅的
因为然后你可以是给予向上更轻松积分
或者你可以是领导你的球员进入犯规麻烦。
所以那是一个有趣的多变的，我思考，到考虑。
和的课程，这是A有条件的意义，
所以它可能改变轻微地基于在这移动
或者添加的肯定其他变量。
和最后， A夫妻的防守的关系
是特别令人困惑在第一的一眼，我思考。
具体来说涉及积木和后卫高度。
所以我们思考的篮球作为非常依赖的在高度。
如果你是更高，你是更多的可能到去到这NBA。
七页脚，我思考你有A 20%机会
的只是去到这NBA甚至如果你是七英尺。
所以这是某物那我们思考，如果你堵塞镜头更多的和你是更高，
你是去到是影响这冒犯的积分消极的。
然而，我们看那这些关系是实际上有条件的积极的，
哪个是非常有趣的那个平均值积木每游戏
和这后卫高度，作为出色地作为这阻塞速度，
是全部积极的关系。
和所以最初，我曾是使困惑经过这，但我思考这有更多的到说说
这球员那这些球员是守护相当比
这实际的变量他们自己。
所以什么我意思是经过这是什么时候你考虑那更高球员
和更好的阻塞统计数据是大的男人玩力量向前或者中心，
他们是守护其他大的男人。
和所以那使感觉A小的少量更多的。
卫兵趋向到放向上更多的积分在这NBA和这强调
在三-观点射击现在。
和A很多的罪行是跑步通过一些的这些更小球员
WHO趋向到是看守经过其他更小玩家。
然而这些更高球员，和更多的块，
是守护大的男人WHO或许不是这焦点观点的这罪行，
在旁边从肯定球员喜欢约基奇和恩比德和扬尼斯。
但这原因A积极的关系，
但它是真的更多的A功能的这位置
那这些球员是玩。
所以我想法那曾是一个有趣的
有条件的关系到强调之内这模型，
和它涉及A小的少量更多的更深思维关于这关系之间
阻塞，高度，和这积分那一个进攻玩家看跌期权向上。
所以在条款的这模型全面的，
我们能看那这一套索正则化模型
是非常相似的在他们的预测。
出色地看那在更多的细节很快什么时候我翻动到这2021年预测，
但这选择然后可能不是是也重要的。
两个都有他们的优点。
的课程，这一允许我们到看这意义的更多的的这变量，
具体来说这防守的变量，
然而这第一的一有A轻微地降低工商总局
和可能是更好的为了预测如果这数据是可用的。
所以两个都离开A小的少量到是想要的
在条款的预测很多更多的可靠地比这简单的线性的回归。
我会有喜欢到看这根方法广场错误减少更多的，
和它是某物我会看进入作为我继续这项目，
看着到收集更好的数据，试到制作这对决
更多的个性化的没有牺牲这常态的这回复多变的，
事物喜欢那。
但和那存在说，这些是这楷模那我有现在，
和我们能看到测试这些在这2021年季节因此远的。
所以如果我转变超过这里到对决为了2021年，
我们有这相同的数据桌子只是和这年对决。
和所以我是只是在乔什哈特的对决正确的现在
因为我去到维拉诺瓦和他是A维拉诺瓦很棒，
所以这里我们有他作为A播放器,他的团队，和这防守的团队，
他的统计数据，他们的统计数据。
作为我们已经已经见过，这些是全部这变量
那可以是包括在这模型。
道歉为了这快的平移，
但这里我们有这预测在这结尾。
所以这些预言变量，或者相当这些列，
是这模型预测。
所以我们的第一的一，我们的第一的模型，是这最佳的多个L入耳回归
那是使用这套索回归和包括这积分每游戏多变的。
作为你能看在这游戏，
他是预料到的到放向上12.8积分和这剩余的这里是关于五。
所以在现实这剩余的是个积分减这预言。
所以他实际上放向上，这是大约13和这是大约五，
所以他放向上关于18积分这里反而的我们的预料到的13.
所以那是明显地不是A伟大的措施。
和然后我们能看在一些这选择模型。
这选择模型预言是非常相似的，
和我们将要看这在更大细节作为我翻动后退到这微软幻灯片软件和展示你
种类的A浓缩的版本的这数据桌子，
因为正确的现在我知道那这在 JMP 中是A小的少量压倒
因为有所以许多变量，所以许多随机的数字
存在扔在你。
所以我是去到转变后退
进入这微软幻灯片软件到展示你一些的这预测
为了两个都乔什哈特这里和为了凯文杜兰特。
全部正确的，所以现在那我们有我们的二楷模
和这简单的线性的回归到比较它到，
我们能申请这些预测到游戏那凯文杜兰特有玩过这季节。
所以这里是四游戏玩过亚特兰大，夏洛特，芝加哥，和克利夫兰。
在这第一的一，他得分31点。
在现实，两个都我们的楷模预料到的关闭到26点，
所以这剩余的是只是大约五。
然而，我们看那当凯文杜兰特是关闭到他的平均的积分
大约28或者29积分每游戏，
什么时候他实际上分数那，这预测是非常关闭
因为积分每游戏称重所以沉重地在这些楷模。
所以，为了例子，在这克利夫兰游戏，
我们的第一的模型预料到的26.2点，他实际上得分27.
所以，这剩余的是较少的比一。
和相似地这里，这残留的较少的比一
为了这选择模型作为出色地。
所以我们看那这模型擅长什么时候球员履行关闭到平均的，
哪个他们将要做最多的这时间。 但有明显地变化，
喜欢在这游戏反对夏洛特，他有A特别好的游戏。
他得分38点。
它是A伟大的游戏，但特别好的游戏经过凯文杜兰特标准。
和所以这模型预测是很多更远离开。
和我们看这相同的事物和乔什哈特。
他的积分平均数A小的少量降低因为他，又一次，携带A打火机加载。
凯文杜兰特是A星星玩家在这篮网，
所以他是得到A很多的触及和服用A好的部分的那些镜头。
所以这里我们有哈特的生产。
再次，他的积分平均的更近到这些12和14范围。
所以这残差这里是非常小的。
什么时候他看跌期权向上14,
我们的楷模预料到的大约13.5和这残差大约 0.5 .
所以我们有真的好的预测为了什么时候他分数
一个平均的数量的积分或者关闭到一个平均的数量的点。
但什么时候他分数较少的或者很多更大
然后这预测趋向到遭受A小的少量。
所以和全部这存在说，我知道我跑了通过这些楷模。
让我们拿A步后退和看在这限制在细节
和一些更远学习那我可以拥抱。
所以第一的的全部，这些是使用平均值经过这进攻玩家和防守的团队
作为反对的到进攻玩家和个人播放器。
作为我有提及，那会是这理想的设想，
但作为我曾是正在做它，它没有工作出去喜欢那。
所以那可以是导致一些问题因为它是复制一些结果。
反而的存在种类的A一到一，
如果A玩家是存在看守经过这播放器,
这是如何许多积分他们将要分数。
如果A玩家是存在看守经过A组合的球员在这团队，
这是如何许多积分他们将要分数。
所以它是更轻松到预测但或许A小的较少的准确的。
此外，这平均值是为了这全部的季节，
哪个方法预测朝向这开始可能是较少的准确的，
作为我提及，哪个是某物那我思考这职业价值观
尝试到补救A小的少量。
它可以是值得添加事物喜欢积分每游戏
在这季节变量和A落后的或许五季节。
所以服用这平均的积分每游戏为了这最后的季节，二季节前，
三季节前，和所以在到尝试到添加一些更多的变量
和或许预测A时间或者A趋势在玩家表现。
此外，玩家表现是依赖的在无数其他因素
这样的作为寒冷的或者热的条纹，
如何出色地他们已经到过表演作为的晚的，
受伤在他们的自己的团队，受伤在这反对的团队
那可以增加或者减少他们的角色，
次要的受伤那他们是交易和他们自己
那可以减少或者增加他们的角色。
和然后事物喜欢休息天，
旅行时间，和A很多的其他无形资产
喜欢NBA球员是人类和我们全部知道一些天是不是感觉这最好的，
其他天是感觉伟大的，更多的精力充沛。
那些类型的事物可以带领到更好的表现或者更差表现。
所以这些无形资产是
不是去到是某物那我能因素进入这模型
但它是重要的到认出那他们可以仍然影响
这积分在A给予游戏。
在条款的更远学习，
我会爱到种类的纠正全部这些限制
和看到预测A更多的整体的多变的
这样的作为进攻评分。
所以进攻评分是去到预测A玩家的积分每100财产
贡献了到这游戏反而的只是一方面的这游戏在点。
我会爱到预测某物喜欢这或者翻动它到这防守的边
和预测A防守的评分基于在WHO他们是可能
到去向上反对在罪行。
所以某物喜欢那我思考会是真的凉爽的
和它会延长这应用的这更多的朝向教练员
和团队分析师反而的或许一些的这幻想篮球球员
WHO是看着为了A严格的测量喜欢积分或者某物喜欢那。
所以和全部这存在说，
我是确实去到继续在职的在这项目。
它曾是A很多的乐趣和我爱看着在这些楷模
和口译从A篮球立场什么是去在。
如果你有任何问题，请感觉自由的到放那些问题
在我的社区邮政在这评论。 患病的是快乐的到回答他们。
和如果你有任何建议作为出色地为了更远学习，
我会还是快乐的到拿那些在。 感谢你所以很多你的时间。
