你好，每個人。 我的姓名是凱文奧唐奈。
我是A JMP全球的客戶參考實習生，
和今天患病的是呈現在A個人的分析項目
那我有完畢那是這NBA播放器匹配模型。
所以只是到得到開始,
我會喜歡到去超過我的主意和這動機為了建築這模型。
我有總是到過令人難以置信感興趣的在籃球。
我有到過A巨大的籃球扇子為了我的所有的生活，
和我曾是看著為了A新的分析項目到潛水進入，
所以我結束向上問這問題這裡：
可以我們模型A玩家的進攻成功
基於在他們的平均值和這力量的他們的對手作為出色地？
所以作為最多的我們知道從觀看任何運動，
玩家表現變化大大地從遊戲到遊戲。
它是基於在A種類的因素
和一的這些存在A玩家的平均的點。
那將要是A非常強的預測器為了積分在一個NBA遊戲，
但它是遠的從這僅有的影響在A玩家的進攻表現。
所以去進入這項目，
我通緝到建造A模型那預料到的這球員積分在這遊戲
基於在這積分每遊戲，
但還A很多的其他變量哪個我們將要看進入在這下一個滑動。
所以理想情況下，這將要是有幫助為了教練員和團隊分析師到，
為了例子，決定哪個的他們的進攻球員是可能
到超過履行或者有能力的到履行真的出色地
基於在他們的匹配UPS和副相反，哪個的他們的球員他們可能想
到避免在罪行因為他們是存在看守
經過一些的這最好的防守的球員在這其他團隊。
這可以通知玩呼喚和遊戲規劃，
所以如果A特別的後衛是較弱的，教練員可能看到目標那匹配向上
或者看到力量A轉變到他們的最好的得分手。
在這娛樂領域，
幻想籃球球員可以使用這數據到數字出去
WHO到開始或者WHO到挑選向上離開這放棄金屬絲，
所以它有A廣闊範圍的應用程序。
所以這是A小的少量的這概述的這數據。
患病的去通過這迅速地，我們會看這作為我去
進入這JMP演示A小的少量更多的在細節，
但是去到預測積分每遊戲基於在七主要的類別的數據。
所以是去到使用玩家進攻平均值為了這季節，
這包括事物喜歡積分每遊戲，
3.2觀點百分比，和先進的指標這樣的作為用法速度，
哪個記錄如何經常一個進攻玩家是用過的在他們的團隊。
播放器屬性這樣的作為高度，翅膀跨度，垂直的飛躍
將要還是包括為了兩個都這進攻和防守的球員
因為這些身體的屬性，我會認為，還貢獻
到如何許多積分A玩家將要分數。
最後，在條款的這進攻球員，
出色地使用職業平均值。
這相同的平均值那是使用為了這季節，
出色地還使用為了這職業到添加A小的更多的魯棒性到這模型，
和全面的團隊步伐和進攻反彈百分比
是還去到是A預測器因為那將要決定
如何許多財產那裡將要是。
如果那裡是更多的財產在這遊戲，它是更多的可能那任何給予玩家
將要有更多的點。
等等那相同的令牌，防守的團隊步伐
和防守的反彈百分比將要還是用過的。
在條款的個人防守的統計數據，事物喜歡搶斷，蓋帽，犯規，
和其他先進的指標這樣的作為防守的贏股，哪個措施
一個個人玩家的貢獻到這團隊的贏在防禦。
那些是還去到是預測器到
大概否定這數量的積分那是得分經過一個進攻播放器。
和然後最後，這後衛屬性將要是用過的作為我提及更早。
所以前我們得到正確的進入這數據和這造型和跳轉,
我會喜歡到去超過這配對數據那我曾是使用
為了這大部分的這模型。
所以這NBA最近實施的一些新的個人的匹配向上數據收藏
和它是基於在詳細的玩家追踪。
所以它曲目這最近的後衛在每一個觀點，
不是只是這基本的後衛在A玩。
它僅有的曲目正面法庭時間和它將要追踪部分的財產。
所以什麼這方法是那A玩家可以是看守經過
作為許多作為五不同的球員在A單身的玩，
和每個後衛會是授予這各自數量
的配對分鐘為了那擁有。
所以這裡我們有一個例子的特里羅齊爾為了這黃蜂隊
存在看守經過四不同的球員在不同的團隊。
在這第一的排，斯蒂芬咖哩是守護他
在僅有的一遊戲為了2.7分鐘和允許二點。
所以如果我們思考的A假想在哪裡這黃蜂隊是玩
斯蒂芬咖哩的金的狀態勇士隊和咖哩看守羅齊爾為了10秒，
和然後克萊湯普森切換在到羅齊爾為了其他10秒，
兩個都會是授予那些10秒的配對時間。
然而，如果羅齊爾得分A二指針在這結尾的這擁有，
這積分會是標記為了克萊湯普森。
這是真的涼爽的追踪數據和我愛如何具體的它是，
但它做過原因一些問題什麼時候我試過到模型這積分每分鐘
為了每個玩家和後衛組合，哪個曾是我的原來的計劃。
所以我曾是起初去到使用這進攻玩家統計數據
和防守的玩家統計數據那我提及在這以前的滑動
在每一個個人配對。
但自從許多捍衛者，喜歡你會看這裡，
登錄非常小的數額的時間，
喜歡斯坦利約翰遜僅有的看守羅齊爾為了一個平均的的在下面一分鐘A遊戲，
那是不是足夠的時間
為了一些的這些積分每分鐘測量到是普通的。
所以去後退到那克萊湯普森假想，
如果克萊僅有的看守羅齊爾為了10秒這所有的遊戲
和羅齊爾有到分數二積分在那擁有，
然後羅齊爾的積分每分鐘反對克萊在那排會是12.
所以明顯地，外推那到A滿的遊戲，
甚至排除這後退法庭時間作為這數據做，它是非常不切實際。
所以我有到去和A輕微地不同的，較少的理想的方法。
反而的使用這個人防守的統計數據，
我實際上平均的他們出去
為了每個組合的玩家和防守的團隊。
所以反而的使用羅齊爾相對咖哩和羅齊爾相對湯普森，
我會使用羅齊爾相對這全部的金的狀態勇士隊平均的基於在
這數量的配對分鐘那每個玩家捍衛羅齊爾。
所以為了例子，
如果斯蒂芬咖哩和克萊湯普森兩個都看守他為了一半這數量
的可能的匹配向上分鐘，然後這團隊平均的，
讓我們說搶斷每遊戲，會只是是這算術意思是
的咖哩搶斷和克萊搶斷每遊戲。
這相同的會去為了每一個防守的多變的
和那是明顯地A簡單的例子，
但這相同的去為了每一個玩家相對每一個團隊。
所以明顯地這是不是理想的因為它最小化
這個性的這配對。
但我有到放棄那積分每分鐘方法
因為這樣品是也小的和這回复曾是沉重地扭曲。
所以這模型那我有創建和這聚集的數據是更多的準確的
比我的最初的嘗試，甚至儘管它犧牲一些個性。
所以在這觀點，我是去到轉變進入JMP這裡
和做A小的少量的這演示如何我建成這模型
和一些探索性的數據分析到開始。
所以到開始，是只是去到看在一些邊緣關係
和積分在這圖形建設者，
和我是有能力的到選擇任何我想。
但為了現在是去到看具體來說在三變量，
這第一的存在積分每遊戲。
所以我們看這裡，我們有A緩和關係
和積分和積分每遊戲，和它是積極的作為我們會預計。
這平均的積分那某人看跌期權向上在A遊戲，
或者超過這課程的這季節相當，是去到明顯地影響
如何許多積分他們分數在A遊戲。
相似地，某物喜歡用法速度，
這先進的統計數據那我曾是討論早些時候，
還有A積極的關係，
只是輕微地較弱比這關係之間積分和積分每遊戲。
最後，如果我們看在一些的這職業統計數據，
如果我們看在職業積分每遊戲，然後再次我們看A積極的關係，
但那是A小的少量較弱因為它是平均的超過這課程
的A玩家的職業相當比這季節那是現在在。
但希望這可以幫助調整為了一些主要的差異
在這積分每遊戲總數或者平均值相當。
所以現在那我們有一種的一個主意的這數據本身，
我們能移動進入這簡單的線性的回歸
和積分經過積分每遊戲作為A基準為了這模型。
所以作為我提及，
你能預測基於在只是積分每遊戲
和它將要給你A體面的預言。
但是看著到提升那預言經過添加
一些的這些不同的變量，進攻和防禦性的。
所以如果我們跑步這腳本這裡，
這是只是比較一些跑的A簡單的線性的回歸
在這訓練和驗證放使用K折驗證自始至終。
和如果我跑步這裡使用這隱驗證 2柱子
那患病的是使用為了這餘的這些楷模，
然後我們能看這回歸這裡。
所以這是A回歸陰謀。 它看起來漂亮的疏散。
有不是A清除線性的關係，但這RS廣場是緩和，
意義那46.5%的這變化在積分是會計為了
經過這平均的積分每遊戲，哪個是漂亮的好的。
和這根均方誤差是關於5. 27.
這根均方誤差是個標準偏差的這剩餘的，
所以它是本質上這變化在如何出色地我們的模型是預測。
它是標準偏差是大約五。
和我們能還看在一些其他措施，
這樣的作為這工商局,哪個是用過的到比較楷模為了可預測性。
所以工商總局是其他重要的措施，
和它措施如何出色地這模型將要預測
相對的到這數字的預測器放在這模型，
只是到製作當然你是不是添加方式也許多。
所以在這案件，這工商總局是非常高的，和我們能來後退到這數字
作為我們看在這比較之間這和這多種的線性的回歸
那我將要展示之後。
所以儘管我曾是試到挑選這模型那我曾是去到選擇，
我決定到使用這模型放映特徵在跳轉,
哪個允許你到選擇你的回复變量和全部這因素變量。
我結束向上推桿在全部的這數字變量那我有為了A滿的模型
只是到看最初哪個楷模履行這最好的。
和我曾是有能力的到選擇從A種類的這些不同的方法，
包括XGB奧斯特和廣義R出口，
和然後的課程，只是這普通的租正方形。
在這興趣的時間，這會拿永遠到跑步
因為它是使用一些的這些機器學習算法。
所以我是反而只是去到拉向上一個快速截屏的這模型篩選。
所以這裡我們有這輸出從這模型篩選。
它節目這RS廣場。
再次，我曾是使用K折驗證和十褶皺這裡。
所以這節目這RS廣場
和這根號簡正方形錯誤為了每個跑步。
所以我們能看那這至少正方形合身實際上有
A非常強的合身比較的到一些的這機器學習算法，
哪個我曾是吃驚經過。 但它實際上幫助為了可解釋性
因為一些的這些機器學習算法，
他們是更多的的A黑色的盒子。 和如果我是到使用那些，
它不會是作為簡單的到解釋這係數或者看
哪個變量是真的重要的
或者哪個是只是存在用過的為了預言。
所以因為這適合的最小二乘法和這套索回歸，
哪個患病的得到進入A小的少量之後，是所以高的，
它是實際上A好的符號那我是有能力的到使用那為了更好的可解釋性。
所以作為我們能看，這最多準確的模型是這多種的線性的回歸
和套索正則化。
套索正則化是A統計技術那正則化這模型
和選擇特徵到最小化多重共線性。
多重共線性是這相關性之間預測器
和那能消極地影響這模型。
所以使用這技術，
是有能力的到拿這滿的線性的回歸模型顯示這裡
和消除一些的這變量到最小化這多重共線性
和或許滿足一些的這線性的假設更好的。
所以和那信息，
我曾是有能力的到拿這變量已選擇和套索正則化
和然後創造A多種的線性的回歸使用那些變量。
所以作為你能看這裡，
這實際的經過預料到的陰謀看起來漂亮的相似的。
它可能是輕微地更近到這線的最好的合身這裡，哪個是A好的符號。
和我們能看我們的影響總結，
但是去到滾動A小的少量過去的那
所以那我們得到到這概括的我們的合身。
所以比較的到這簡單的線性的回歸，
這RS廣場和這調整後RS廣場是非常相似的和那是大概
因為積分每遊戲是這樣的A沉重地有影響因素在這，
作為出色地作為這簡單的線性的回歸，明顯地。
所以這合身是不是也很多不同的。
然而，添加這些不同的變量顯示這裡做提升
這根號簡正方形錯誤A小的少量。
它去從關於5.3到小的超過5.2,哪個是不是A激烈的改進，
但一個改進儘管如此。
但這真實的不同之處這裡是在這工商總局和比較這些楷模在條款
的他們的可預測性，這工商總局掉落顯著地
從這簡單的線性的回歸到這多種的線性的回歸
和套索R正則化，哪個是確實A好的符號。
我們看一些的這些範圍估計向下這裡和的課程這結果
為了RS廣場和根意思是正方形錯誤在叉驗證。
所以看著在一些的這些參數E估計，
這積分每遊戲，再次非常重要的，
這很重要在這.05 一個α等級和許多以下那。
和這是到是預期的，作為我們已經解釋已經。
周轉百分比是還重要的
和這有A消極的關係和點。
作為一會預計，如果你是車削這球超過更多的，
那是較少的機會到射擊這球，
較少的機會到分數。
所以那檢查出去和只是我們的知識的籃球。
這裡我們有這防守的步伐，或者這步伐的這防守的團隊，
和這有A輕微地積極的關係和積分有條件的
在這其他因素在這模型。
再次，那是到是預期的因為這快點A團隊戲劇，
那是一般來說更多的機會。
然而，它可能不是有這樣的A強的影響作為失誤或者積分每遊戲。
和然後最後，防守的反彈百分比。
這是只是如何經常這防守的團隊運輸這防守的反彈。
再次，這是預防第二機會積分為了這罪行，
所以它應該有A消極的關係船，哪個它做。
所以全部這些事物查看出去，
和然後一些的這些其他變量是微不足道有條件的，
但包括因為他們提升這可預測性的這模型。
所以某物喜歡用法速度可能不是是重要的在這.05等級，
但它儘管如此改善我們的預測。
現在，會心那積分每遊戲可能不是是可用的
在這開始的這季節，到這程度那它是
靠近這結尾的這季節，
意義那積分每遊戲可能是A小的較少的可靠的
和A更小樣本尺寸。
ID看到創造一個備用模型沒有那
到看如果我可以仍然預測
更好的比這簡單的線性的回歸和相似的到這套索回歸，
但沒有依賴在A積分每遊戲為了這季節措施。
所以這備用模型，我創建使用落後選擇經過工商會。
和再次我左邊出去這季節積分每遊戲，
所以它仍然包括這其他積分每遊戲測量，
或者其他每遊戲測量相當，
喜歡射門得分嘗試過從三和從二，
哪個沿著和一些的這些其他變量能是A代理人為了
那平均的積分每遊戲。
所以它'秒不是完全地強壯的反對早期的季節波動
和小的樣本尺寸。
但它是可能的那這些變量可能是A小的少量更多的代表
的如何A玩家是去到履行在這長的跑步。
我是思維那或許
球員可能是A小的更多的持續的和他們的嘗試過統計數據，
或者這速度在哪個他們是射擊這球，
相當比只是這數量的積分他們得到那可以各不相同基於在
只是A小的樣本尺寸。
這些可以作為出色地但...
只是使用這模型作為一個選擇，
和它輪流出去那它實際上預測
漂亮的相似地到這模型和積分每遊戲在它。
所以它可能不是是受寵一定如果積分每遊戲是可用的。
不當但它提供A相似的預言。
所以我們能看那這RS廣場是漂亮的相似的，
可能有增加A小的少量，
和這根意思是正方形錯誤是再次相似的。
這工商總局建議那這其他模型是A更好的模型為了預測
基於在這數量的變量包括，所以那是確實某物到筆記。
但每個模型有它是優點。
這一，特別，
我們能看一些的這有條件的關係的這其他變量，
特別那些在這防守的邊，那我們不能看作為很多
在這其他一因為積分每遊戲曾是主宰所以很多。
所以我們看這裡那二指針和三指針嘗試過
是稱重微不足道的為了點，哪個再次，
那使感覺因為這更多的鏡頭你是採取，
這更多的可能你是到分數更多的點。
和然後那裡是一些其他變量那製作感覺，
和一些其他的那或許區域小的令人困惑在第一的視線。
所以進攻贏股，
那存在A重要的多變的使感覺那是測量
如何很多A玩家是貢獻到贏在這進攻邊，
它使感覺那那有A積極的關係
作為我們能看向下這裡。
所以進攻贏股正確的這裡有A積極的關係。
和還這防守的反彈百分比向下這裡
減少這估計再次，所以那是漂亮的持續的
和什麼我們已經見過在這以前的模型。
平均的犯規每遊戲，平均的個人的犯規每遊戲向下這裡，
有A消極的影響我以為曾是有趣的。
所以A玩家或者團隊和A更高犯規全部的
是去到消極地影響這積分得分為了這進攻播放器。
這可能意思是他們是更多的挑釁的。
我會認為那他們是玩更激烈防禦在限制積分
通過搶斷，塊，或者沉重地有爭議的鏡頭，
和作為A結果，他們是得到更多的犯規稱為在他們。
然而，這是不是全部好的為了這防禦
因為自從這玩家能犯規出去和六犯規，
那裡是A肯定平衡到罷工在這防守端。
你不想到是也挑釁的
因為然後你可以是給予向上更輕鬆積分
或者你可以是領導你的球員進入犯規麻煩。
所以那是一個有趣的多變的，我思考，到考慮。
和的課程，這是A有條件的意義，
所以它可能改變輕微地基於在這移動
或者添加的肯定其他變量。
和最後， A夫妻的防守的關係
是特別令人困惑在第一的一眼，我思考。
具體來說涉及積木和後衛高度。
所以我們思考的籃球作為非常依賴的在高度。
如果你是更高，你是更多的可能到去到這NBA。
七頁腳，我思考你有A 20%機會
的只是去到這NBA甚至如果你是七英尺。
所以這是某物那我們思考，如果你堵塞鏡頭更多的和你是更高，
你是去到是影響這冒犯的積分消極的。
然而，我們看那這些關係是實際上有條件的積極的，
哪個是非常有趣的那個平均值積木每遊戲
和這後衛高度，作為出色地作為這阻塞速度，
是全部積極的關係。
和所以最初，我曾是使困惑經過這，但我思考這有更多的到說說
這球員那這些球員是守護相當比
這實際的變量他們自己。
所以什麼我意思是經過這是什麼時候你考慮那更高球員
和更好的阻塞統計數據是大的男人玩力量向前或者中心，
他們是守護其他大的男人。
和所以那使感覺A小的少量更多的。
衛兵趨向到放向上更多的積分在這NBA和這強調
在三-觀點射擊現在。
和A很多的罪行是跑步通過一些的這些更小球員
WHO趨向到是看守經過其他更小玩家。
然而這些更高球員，和更多的塊，
是守護大的男人WHO或許不是這焦點觀點的這罪行，
在旁邊從肯定球員喜歡約基奇和恩比德和揚尼斯。
但這原因A積極的關係，
但它是真的更多的A功能的這位置
那這些球員是玩。
所以我想法那曾是一個有趣的
有條件的關係到強調之內這模型，
和它涉及A小的少量更多的更深思維關於這關係之間
阻塞，高度，和這積分那一個進攻玩家看跌期權向上。
所以在條款的這模型全面的，
我們能看那這一套索正則化模型
是非常相似的在他們的預測。
出色地看那在更多的細節很快什麼時候我翻動到這2021年預測，
但這選擇然後可能不是是也重要的。
兩個都有他們的優點。
的課程，這一允許我們到看這意義的更多的的這變量，
具體來說這防守的變量，
然而這第一的一有A輕微地降低工商總局
和可能是更好的為了預測如果這數據是可用的。
所以兩個都離開A小的少量到是想要的
在條款的預測很多更多的可靠地比這簡單的線性的回歸。
我會有喜歡到看這根方法廣場錯誤減少更多的，
和它是某物我會看進入作為我繼續這項目，
看著到收集更好的數據，試到製作這對決
更多的個性化的沒有犧牲這常態的這回复多變的，
事物喜歡那。
但和那存在說，這些是這楷模那我有現在，
和我們能看到測試這些在這2021年季節因此遠的。
所以如果我轉變超過這裡到對決為了2021年，
我們有這相同的數據桌子只是和這年對決。
和所以我是只是在喬什哈特的對決正確的現在
因為我去到維拉諾瓦和他是A維拉諾瓦很棒，
所以這裡我們有他作為A播放器,他的團隊，和這防守的團隊，
他的統計數據，他們的統計數據。
作為我們已經已經見過，這些是全部這變量
那可以是包括在這模型。
道歉為了這快的平移，
但這裡我們有這預測在這結尾。
所以這些預言變量，或者相當這些列，
是這模型預測。
所以我們的第一的一，我們的第一的模型，是這最佳的多個L入耳回歸
那是使用這套索回歸和包括這積分每遊戲多變的。
作為你能看在這遊戲，
他是預料到的到放向上12.8積分和這剩餘的這裡是關於五。
所以在現實這剩餘的是個積分減這預言。
所以他實際上放向上，這是大約13和這是大約五，
所以他放向上關於18積分這裡反而的我們的預料到的13.
所以那是明顯地不是A偉大的措施。
和然後我們能看在一些這選擇模型。
這選擇模型預言是非常相似的，
和我們將要看這在更大細節作為我翻動後退到這微軟幻燈片軟件和展示你
種類的A濃縮的版本的這數據桌子，
因為正確的現在我知道那這在 JMP 中是A小的少量壓倒
因為有所以許多變量，所以許多隨機的數字
存在扔在你。
所以我是去到轉變後退
進入這微軟幻燈片軟件到展示你一些的這預測
為了兩個都喬什哈特這裡和為了凱文杜蘭特。
全部正確的，所以現在那我們有我們的二楷模
和這簡單的線性的回歸到比較它到，
我們能申請這些預測到遊戲那凱文杜蘭特有玩過這季節。
所以這裡是四遊戲玩過亞特蘭大，夏洛特，芝加哥，和克利夫蘭。
在這第一的一，他得分31點。
在現實，兩個都我們的楷模預料到的關閉到26點，
所以這剩餘的是只是大約五。
然而，我們看那當凱文杜蘭特是關閉到他的平均的積分
大約28或者29積分每遊戲，
什麼時候他實際上分數那，這預測是非常關閉
因為積分每遊戲稱重所以沉重地在這些楷模。
所以，為了例子，在這克利夫蘭遊戲，
我們的第一的模型預料到的26.2點，他實際上得分27.
所以，這剩餘的是較少的比一。
和相似地這裡，這殘留的較少的比一
為了這選擇模型作為出色地。
所以我們看那這模型擅長什麼時候球員履行關閉到平均的，
哪個他們將要做最多的這時間。 但有明顯地變化，
喜歡在這遊戲反對夏洛特，他有A特別好的遊戲。
他得分38點。
它是A偉大的遊戲，但特別好的遊戲經過凱文杜蘭特標準。
和所以這模型預測是很多更遠離開。
和我們看這相同的事物和喬什哈特。
他的積分平均數A小的少量降低因為他，又一次，攜帶A打火機加載。
凱文杜蘭特是A星星玩家在這籃網，
所以他是得到A很多的觸及和服用A好的部分的那些鏡頭。
所以這裡我們有哈特的生產。
再次，他的積分平均的更近到這些12和14範圍。
所以這殘差這裡是非常小的。
什麼時候他看跌期權向上14,
我們的楷模預料到的大約13.5和這殘差大約 0.5 .
所以我們有真的好的預測為了什麼時候他分數
一個平均的數量的積分或者關閉到一個平均的數量的點。
但什麼時候他分數較少的或者很多更大
然後這預測趨向到遭受A小的少量。
所以和全部這存在說，我知道我跑了通過這些楷模。
讓我們拿A步後退和看在這限制在細節
和一些更遠學習那我可以擁抱。
所以第一的的全部，這些是使用平均值經過這進攻玩家和防守的團隊
作為反對的到進攻玩家和個人播放器。
作為我有提及，那會是這理想的設想，
但作為我曾是正在做它，它沒有工作出去喜歡那。
所以那可以是導致一些問題因為它是複製一些結果。
反而的存在種類的A一到一，
如果A玩家是存在看守經過這播放器,
這是如何許多積分他們將要分數。
如果A玩家是存在看守經過A組合的球員在這團隊，
這是如何許多積分他們將要分數。
所以它是更輕鬆到預測但或許A小的較少的準確的。
此外，這平均值是為了這全部的季節，
哪個方法預測朝向這開始可能是較少的準確的，
作為我提及，哪個是某物那我思考這職業價值觀
嘗試到補救A小的少量。
它可以是值得添加事物喜歡積分每遊戲
在這季節變量和A落後的或許五季節。
所以服用這平均的積分每遊戲為了這最後的季節，二季節前，
三季節前，和所以在到嘗試到添加一些更多的變量
和或許預測A時間或者A趨勢在玩家表現。
此外，玩家表現是依賴的在無數其他因素
這樣的作為寒冷的或者熱的條紋，
如何出色地他們已經到過表演作為的晚的，
受傷在他們的自己的團隊，受傷在這反對的團隊
那可以增加或者減少他們的角色，
次要的受傷那他們是交易和他們自己
那可以減少或者增加他們的角色。
和然後事物喜歡休息天，
旅行時間，和A很多的其他無形資產
喜歡NBA球員是人類和我們全部知道一些天是不是感覺這最好的，
其他天是感覺偉大的，更多的精力充沛。
那些類型的事物可以帶領到更好的表現或者更差表現。
所以這些無形資產是
不是去到是某物那我能因素進入這模型
但它是重要的到認出那他們可以仍然影響
這積分在A給予遊戲。
在條款的更遠學習，
我會愛到種類的糾正全部這些限制
和看到預測A更多的整體的多變的
這樣的作為進攻評分。
所以進攻評分是去到預測A玩家的積分每100財產
貢獻了到這遊戲反而的只是一方面的這遊戲在點。
我會愛到預測某物喜歡這或者翻動它到這防守的邊
和預測A防守的評分基於在WHO他們是可能
到去向上反對在罪行。
所以某物喜歡那我思考會是真的涼爽的
和它會延長這應用的這更多的朝向教練員
和團隊分析師反而的或許一些的這幻想籃球球員
WHO是看著為了A嚴格的測量喜歡積分或者某物喜歡那。
所以和全部這存在說，
我是確實去到繼續在職的在這項目。
它曾是A很多的樂趣和我愛看著在這些楷模
和口譯從A籃球立場什麼是去在。
如果你有任何問題，請感覺自由的到放那些問題
在我的社區郵政在這評論。 患病的是快樂的到回答他們。
和如果你有任何建議作為出色地為了更遠學習，
我會還是快樂的到拿那些在。 感謝你所以很多你的時間。
