Hola, todo el mundo. Mi nombre es Kevin O´Donnell.
Yo soy a JMP Global Pasante de referencia de clientes,
y hoy dia voy a ser presentación en a personal analítica proyecto
que He hecho que es los NBA Jugador Modelo de emparejamiento.
Entonces sólo para obtener empezado,
I haría me gusta para ir sobre mi idea y los motivaciones por edificio los modelo.
He siempre estado increíblemente interesado en baloncesto.
He estado a enorme baloncesto ventilador por mi entero la vida,
y I era mirando por a nuevo analítica proyecto para bucear dentro,
entonces I terminado arriba pidiendo esta pregunta aquí:
Pudo nosotros modelo a del jugador ofensiva éxito
establecido en sus promedios y los fuerza de sus oponentes como ¿bien?
Entonces como más de nosotros saber desde mirando ninguna deporte,
jugador rendimiento varía muy desde juego para juego.
Es establecido en a variedad de factores
y una de estas siendo a del jugador promedio puntos.
Que voluntad ser a muy fuerte vaticinador por puntos en un NBA juego,
pero es lejos desde los solamente influencia en a del jugador ofensiva rendimiento.
Entonces yendo dentro esta proyecto,
I querido para construir a modelo que predicho los jugadores puntos en los juego
establecido en los puntos por juego,
pero además a lote de otro Variables cual nosotros voluntad Mira dentro en los próximo diapositiva.
Entonces idealmente, esta voluntad ser servicial por entrenadores y equipo analistas para,
por ejemplo, determinar cual de sus ofensiva jugadores están probable
para sobre llevar a cabo o poder para llevar a cabo De Verdad bien
establecido en sus partido UPS y vicio viceversa, cual de sus jugadores ellos puede que querer
para evitar en ofensa porque son siendo guardado
por algunos de los mejor defensivo jugadores en los otro equipo.
Esto podría informar jugar vocación y juego planificación,
entonces si a especial defensor es más débiles, entrenadores mayo Mira para objetivo que partido arriba
o Mira para fuerza a cambiar sobre sus mejor goleador.
En los entretenimiento reino,
fantasía baloncesto jugadores pudo utilizar esta datos para figura fuera
quién para comienzo o quién para elegir arriba apagado los Exención Cable,
entonces eso posee a amplio rango de aplicaciones
Entonces aquí está a poco poco de los visión de conjunto de los datos.
voy a ir a través de esta rápidamente, y bueno ver esta como I ir
dentro los JMP manifestación a poco poco más en detalle,
pero fueron yendo para predecir puntos por juego establecido en Siete principal categorías de datos.
Entonces fueron yendo para utilizar jugador ofensiva promedios por los temporada,
esta incluye cosas me gusta puntos por juego,
3.2 punto porcentajes, y avanzado métrica tal como uso calificar,
cual registros cómo con frecuencia un ofensiva jugador es usado en sus equipo.
Jugador atributos tal como altura, ala lapso, vertical salto
voluntad además ser incluido por ambas cosas los ofensiva y defensivo jugadores
porque estas físico atributos, I haría asumir, además contribuir
para cómo muchos puntos a jugador voluntad puntaje.
Finalmente, en condiciones de los ofensiva jugadores,
bien utilizar carrera profesional promedios
los mismo promedios que fueron utilizando por los temporada,
bien además utilizar por los carrera profesional para agregar a poco más robustez para los modelo,
y en general equipo ritmo y ofensiva rebotando porcentaje
es además yendo para ser a vaticinador porque que voluntad determinar
cómo muchos posesiones allí voluntad ser.
Si allí están más posesiones en los juego, es más probable que ninguna dado jugador
voluntad tener más puntos.
Y así que mismo simbólico, defensivo equipo ritmo
y defensivo rebotando porcentaje voluntad además ser usado.
En condiciones de individual defensivo estadísticas, cosas me gusta roba, bloqueos, faltas,
y otro avanzado métrica tal como defensivo ganar acciones, cual medidas
un individual del jugador contribución para los del equipo gana en defensa.
Esos están además yendo para ser predictores para
probablemente negar los Monto de puntos que están anotó por un ofensiva jugador.
Y luego finalmente, los defensor atributos voluntad ser usado como I mencionado más temprano.
Entonces antes de nosotros obtener Correcto dentro los datos y los modelado y JMP,
I haría me gusta para ir sobre los emparejar datos que I era utilizando
por los a granel de los modelo.
Entonces los NBA hace poco implementado algunos nuevo personal partido arriba datos colección
y es establecido en detallado jugador seguimiento.
Entonces eso pistas los más cercano defensor en cada punto,
no sólo los primario defensor en a jugar.
Eso solamente pistas parte delantera Corte hora y eso voluntad pista parcial posesiones.
Entonces qué esta medio es que a jugador pudo ser guardado por
como muchos como cinco diferente jugadores en a único jugar,
y cada defensor haría ser galardonado los respectivo Monto
de emparejar minutos por que posesión.
Entonces aquí nosotros tener un ejemplo de terry Rozier por los Avispones
siendo guardado por cuatro diferente jugadores en diferente equipos
En los primero fila, Steph Curry es protegiendo él
en solamente una juego por 2.7 minutos y permitido dos puntos.
Entonces si nosotros pensar de a hipotético donde los Avispones están jugando
Steph de curry dorado Estado guerreros y Curry guardado Rozier por 10 segundos,
y luego Klay thompson conmutado en para Rozier por otro 10 segundos,
ambas cosas haría ser galardonado esos 10 segundos de emparejar hora.
Sin embargo, si Rozier anotó a dos puntero en los final de esta posesión,
los puntos haría ser marcado por Klay Thompson.
Esta es De Verdad frio seguimiento datos y I amor cómo específico eso es,
pero eso hizo porque algunos problemas Cuándo Lo intenté para modelo los puntos por minuto
por cada jugador y defensor combinación, cual era mi original plan.
Entonces I era originalmente yendo para utilizar los ofensiva jugador estadísticas
y defensivo jugador estadísticas que I mencionado en los anterior diapositiva
en cada individual emparejar.
Pero ya que muchos defensores, me gusta lo harás ver aquí,
registrado muy pequeña montos de hora,
me gusta stanley Johnson solamente guardado Rozier por un promedio de bajo una minuto a juego,
eso es no suficiente hora
por algunos de estas puntos por minuto mediciones para ser normal.
Entonces yendo espalda para que Klay thompson hipotético,
si Klay solamente guardado Rozier por 10 segundos los entero juego
y Rozier teniendo para puntaje dos puntos en que posesión,
luego de Rozier puntos por minuto en contra Klay en que fila haría ser 12
Entonces obviamente, extrapolando que para a completo juego,
incluso Excluyendo los espalda Corte hora como esta datos lo hace, es muy poco realista.
Entonces I tenido para ir con a levemente diferente, menos ideal Acercarse.
En lugar de de utilizando los individual defensivo estadísticas,
I Realmente promediado ellos fuera
por cada combinación de jugador y defensivo equipo.
Entonces en lugar de de utilizando Rozier versus Curry y Rozier versus thompson,
I haría utilizar Rozier versus los completo dorado Estado guerreros promedio establecido en
los Monto de emparejar minutos que cada jugador defendido Rozier.
Entonces por ejemplo,
si Steph Curry y Klay thompson ambas cosas guardado él por medio los Monto
de posible partido arriba minutos, luego los equipo promedio,
vamos decir roba por juego, haría sólo ser los aritmética significar
de Curry roba y Klay roba por juego.
los mismo haría ir por cada defensivo variable
y eso es obviamente a sencillo ejemplo,
pero los mismo va por cada jugador versus cada equipo.
Entonces obviamente esta es no ideal porque eso minimiza
los individualidad de los emparejar.
Pero I tenido para abandonar que puntos por minuto Acercarse
porque los muestras fueron también pequeña y los respuesta era fuertemente distorsionado.
Entonces esta modelo que He creado con los agregado datos es más preciso
que mi inicial intentos, incluso aunque eso sacrificios algunos individualidad.
Entonces en esta punto, Yo soy yendo para cambiar dentro JMP aquí
y hacer a poco poco de los manifestación sobre cómo I construido los modelo
y algunos exploratorio datos análisis para empezar.
Entonces para empezar, fueron sólo yendo para Mira en algunos marginal relaciones
con puntos en los grafico constructor,
y Yo soy poder para escoger ninguna I querer.
Pero por ahora fueron yendo para Mira específicamente en Tres variable,
los primero siendo puntos por juego.
Entonces nosotros ver aquí, nosotros tener a moderar relación
con puntos y puntos por juego, y eso es positivo como nosotros haría suponer.
los promedio puntos que alguien pone arriba en a juego,
o sobre los curso de los temporada bastante, es yendo para obviamente influencia
cómo muchos puntos ellos puntaje en a juego.
Similar, algo me gusta uso calificar,
los avanzado Estadísticas que I era que se discute más temprano,
además posee a positivo relación,
sólo levemente más débiles que los relación Entre puntos y puntos por juego.
Finalmente, si nosotros Mira en algunos de los carrera profesional estadísticas,
si nosotros Mira en carrera profesional puntos por juego, luego otra vez nosotros ver a positivo relación,
pero que es a poco poco más débiles porque es promediado sobre los curso
de a del jugador carrera profesional bastante que los temporada que fueron actualmente en.
Pero Ojalá esta pudo ayuda ajustar por algunos importante diferencias
en los puntos por juego totales o promedios bastante.
Entonces ahora que nosotros tener un tipo de un idea de los datos sí mismo,
nosotros lata moverse dentro los sencillo lineal regresión
con puntos por puntos por juego como a punto de referencia por esta modelo.
Entonces como I mencionado,
usted lata predecir establecido en sólo puntos por juego
y eso voluntad dar usted a bueno predicción.
Pero fueron mirando para mejorar que predicción por agregando
algunos de estas diferente variable, ofensiva y defensivo.
Entonces si nosotros correr esta texto aquí,
esta es sólo comparando algunos carreras de a sencillo lineal regresión
en los capacitación y validación colocar utilizando KPliegues validación a lo largo de.
Y si I correr aquí utilizando los Oculto Validación 2 columna
que voy a ser utilizando por los recordatorio de estas modelos,
luego nosotros lata ver los regresión aquí.
Entonces aquí está a regresión trama. Eso mira bonito dispersado.
hay no a claro lineal relación, pero los RS cuadrado es moderar,
sentido que 46,5 por ciento de los variación en puntos es contabilizado por
por esta promedio puntos por juego, cual es bonito bueno.
Y los Error cuadrático medio de la raíz es sobre 5. 27
los Error cuadrático medio de la raíz es el estándar desviación de los residual,
entonces es esencialmente los variación en cómo bien nuestro modelo es predecir
Su estándar desviación es alrededor cinco.
Y nosotros lata además Mira en algunos otro medidas,
tal como los AIC, cual es usado para comparar modelos por previsibilidad
Entonces AIC es otro importante la medida,
y eso medidas cómo bien los modelo voluntad predecir
relativo para los número de predictores poner en los modelo,
sólo para hacer Por supuesto estás no agregando manera también muchos.
Entonces en esta caso, los AIC es muy elevado, y nosotros lata venir espalda para esta número
como nosotros Mira en los comparación Entre esta y los múltiple lineal regresión
que I voluntad show luego.
Entonces tiempo I era difícil para elegir los modelo que I era yendo para escoger,
I decidido para utilizar los modelo poner en pantalla rasgo en JMP,
cual permite usted para Seleccione tu respuesta Variables y todos los factor variables
I terminó arriba poniendo en todos de los numérico Variables que I tenido por a completo modelo
sólo para ver inicialmente cual modelos llevar a cabo los mejor.
Y I era poder para escoger desde a variedad de estas diferente métodos,
incluso XGB fuera y R generalizada salida,
y luego de curso, sólo los normal Alquiler Cuadrado.
En los interesar de hora, esta haría llevar Siempre para correr
porque es utilizando algunos de estas máquina aprendiendo algoritmos
Entonces Yo soy en lugar de sólo yendo para jalar arriba un rápido captura de pantalla de los modelo poner en pantalla.
Entonces aquí nosotros tener los producción desde esta modelo poner en pantalla.
Eso espectáculos los RS cuadrado
Otra vez, I era utilizando KDoblar validación con diez pliegues aquí.
Entonces esta espectáculos los RS cuadrado
y los Raíz M ean Cuadrado Error por cada correr.
Entonces nosotros lata ver que los Menos Cuadrado Encajar Realmente tenido
a muy fuerte encajar comparado para algunos de los máquina aprendiendo algoritmos,
cual I era sorprendido por. Pero eso Realmente ayuda por interpretabilidad
porque algunos de estas máquina aprendiendo algoritmos,
son más de a negro caja. Y si I fueron para utilizar esos,
eso no lo haría ser como fácil para interpretar los coeficientes o ver
cual Variables están verdaderamente significativo
o cual están sólo siendo usado por predicción.
Entonces porque los ajuste de Mínimos cuadrados y los regresión de lazo,
cual voy a obtener dentro a poco poco luego, fueron entonces elevado,
es Realmente a bien firmar que Yo soy poder para utilizar que por mejor interpretabilidad.
Entonces como nosotros lata ver, los más preciso modelo es esta múltiple lineal regresión
con Lazo Regularización.
Lazo regularización es a estadístico técnica que regulariza los modelo
y selecciona caracteristicas para minimizar multicolinealidad.
multicolinealidad es los correlación Entre predictores
y que lata negativamente afectar los modelo.
Entonces utilizando esta técnica,
fueron poder para llevar los completo lineal regresión modelo mostrado aquí
y retirar algunos de los Variables para minimizar los multicolinealidad
y quizás satisfacer algunos de los lineal suposiciones mejor.
Entonces con que información,
I era poder para llevar los Variables seleccionado con Lazo regularización
y luego crear a múltiple lineal regresión utilizando esos variables
Entonces como usted lata ver aquí,
los Real por Predicho Trama mira bonito similar.
Eso puede que ser levemente más cerca para los línea de mejor encajar aquí, cual es a bien firmar.
Y nosotros lata ver nuestro efecto resúmenes,
pero fueron yendo para Desplazarse a poco poco pasado que
entonces que nosotros obtener para los resumen de nuestro encajar.
Entonces comparado para los sencillo lineal regresión,
los RS cuadrado y los Equilibrado RS cuadrado están muy similar y eso es probablemente
porque puntos por juego es tal a fuertemente influyente factor en esta,
como bien como los sencillo lineal regresión, obviamente.
Entonces los encajar es no también mucho diferente.
Sin embargo, agregando estas diferente Variables mostrado aquí lo hace mejorar
los Raíz M ean Cuadrado Error a poco poco.
Eso fuimos desde sobre 5.3 para poco sobre 5.2, cual es no a drástico mejora,
pero un mejora sin embargo.
Pero los verdadero diferencia aquí es en los AIC y comparando estas modelos en condiciones
de sus previsibilidad, los AIC caído significativamente
desde los sencillo lineal regresión para esta múltiple lineal regresión
con Lazo R eularización, cual es definitivamente a bien firmar.
Nosotros ver algunos de estas Parámetro Estimados abajo aquí y de curso los resultados
por RS cuadrado y Raíz Significar Cuadrado Error en cruzar validación.
Entonces mirando en algunos de estas Parámetro E estima,
los puntos por juego, otra vez muy significativo,
es significativo en los .05 un alfa nivel y muchos debajo que.
Y esta es para ser previsto, como hemos explicado ya.
Rotación porcentaje es además significativo
y esta posee a negativo relación con puntos.
Como una haría suponer, si estás torneado los bola sobre más,
eso es menos oportunidades para disparo los bola,
menos oportunidades para puntaje.
Entonces que cheques fuera con sólo nuestro conocimiento de baloncesto.
Aquí nosotros tener los defensivo ritmo, o los ritmo de los defensivo equipo,
y esta posee a levemente positivo relación con puntos condicional
en los otro factores en los modelo.
Otra vez, eso es para ser previsto porque los más rápido a equipo obras de teatro,
eso es generalmente más posibilidades
Sin embargo, eso puede que no tener tal a fuerte efecto como pérdidas de balón o puntos por juego.
Y luego finalmente, defensivo rebotando porcentaje.
Esta es sólo cómo con frecuencia los defensivo equipo lances los defensivo rebote.
Otra vez, esta es previniendo segundo oportunidad puntos por los ofensa,
entonces eso deberían tener a negativo relación Embarcacion, cual eso lo hace.
Entonces todos estas cosas controlar fuera,
y luego algunos de estas otro Variables están insignificante condicionalmente,
pero incluido porque ellos mejorar los previsibilidad de los modelo.
Entonces algo me gusta uso calificar puede que no ser significativo en los .05 nivel,
pero eso sin embargo mejora nuestro predicciones
Ahora, conocimiento que puntos por juego puede que no ser disponible
en los comenzando de los temporada, para los grado que eso es
cerca los final de los temporada,
sentido que puntos por juego puede que ser a poco menos de confianza
con a menor muestra Talla.
Identificación Mira para crear un alterno modelo sin que
para ver si I pudo todavía predecir
mejor que los sencillo lineal regresión y similar para los Lazo regresión,
pero sin dependencia en a puntos por juego por los temporada la medida.
Entonces esta alterno modelo, I creado utilizando hacia atrás selección por AIC.
Y otra vez I izquierda fuera los temporada puntos por juego,
entonces eso todavía incluye los otro puntos por juego mediciones,
o otro por juego mediciones bastante,
me gusta goles de campo intentó desde Tres y desde dos,
cual a lo largo de con algunos de estas otro Variables lata ser a apoderado por
que promedio puntos por juego.
Entonces eso' s no completamente robusto en contra temprano temporada fluctuaciones
y pequeña muestra tamaños
Pero es posible que estas Variables puede que ser a poco poco más representante
de cómo a jugador es yendo para llevar a cabo en los largo correr.
Yo soy pensando que quizás
jugadores puede que ser a poco más consistente con sus intentó estadísticas,
o los calificar en cual son tiroteo los bola,
bastante que sólo los Monto de puntos ellos obtener que pudo variar establecido en
sólo a pequeña muestra Talla.
Estas pudo como bien pero...
Sólo utilizando esta modelo como un alternativa,
y eso vueltas fuera que eso Realmente predice
bonito similar para los modelo con puntos por juego en eso.
Entonces eso puede que no ser favorecido necesariamente si puntos por juego es disponible.
Inapropiado pero eso proporciona a similar predicción.
Entonces nosotros lata ver que los RS cuadrado es bonito similar,
mayo tener aumentado a poco poco,
y los Raíz Significar Cuadrado Error es otra vez similar.
los AIC sugiere que los otro modelo es a mejor modelo por prediciendo
establecido en los Monto de Variables incluido, entonces que es definitivamente algo para Nota.
Pero cada modelo posee su ventajas
Esta una, particularmente,
nosotros lata ver algunos de los condicional relaciones de los otro variable,
particularmente esos en los defensivo lado, que nosotros no pude ver como mucho
en los otro una porque puntos por juego era dominante entonces mucho.
Entonces nosotros ver aquí que dos punteros y Tres punteros intentó
están peso insignificantemente por puntos, cual otra vez,
que hace sentido porque los más tiros estás tomando,
los más probable usted están para puntaje más puntos.
Y luego allí están algunos otro Variables que hacer sentido,
y algunos otros que quizás área poco confuso en primero visión.
Entonces ofensiva ganar acciones,
que siendo a significativo variable hace sentido eso es medición
cómo mucho a jugador es contribuyendo para gana en los ofensiva lado,
eso hace sentido que que posee a positivo relación
como nosotros lata ver abajo aquí.
Entonces ofensiva ganar acciones Correcto aquí posee a positivo relación.
Y además los defensivo rebotando porcentaje abajo aquí
disminuye los Estimacion otra vez, entonces que es bonito consistente
con qué hemos visto en los anterior modelo.
Promedio faltas por juego, promedio personal faltas por juego abajo aquí,
posee a negativo efecto que pensé era interesante.
Entonces a jugador o equipo con a más alto falta total
es yendo para negativamente afectar los puntos anotó por los ofensiva jugador.
Esta puede que significar son más agresivo.
I haría asumir que ellos están jugando mas intenso defensa en limitando puntos
a través de roba, bloques, o fuertemente disputado tiros,
y como a resultado, son consiguiendo más faltas llamado en ellos.
Sin embargo, esta es no todos bien por los defensa
porque ya que los jugador lata falta fuera con seis faltas,
allí es a cierto equilibrio para Huelga en los extremo defensivo.
Tú no querer para ser también agresivo
porque luego usted pudo ser donación arriba más fácil puntos
o usted pudo ser principal tu jugadores dentro falta problema.
Entonces eso es un interesante variable, I pensar, para considerar.
Y de curso, esta es a condicional significado,
entonces eso puede que cambiar levemente establecido en los eliminación
o adición de cierto otro variables
Y finalmente, a Pareja de defensivo relaciones
están particularmente confuso en primero mirada, I pensar.
Específicamente implicando bloques y defensor altura.
Entonces nosotros pensar de baloncesto como ser muy dependiente en altura.
Si usted están más alto, estás más probable para ir para los NBA.
Siete pies de página, I pensar usted tener a 20 por ciento oportunidad
de sólo yendo para los NBA incluso si usted están siete pies
Entonces esta es algo que nosotros pensar, si tu cuadra tiros más y estás más alto,
estás yendo para ser conmovedor los ofensa puntos negativamente.
Sin embargo, nosotros ver que estas relaciones están Realmente condicionalmente positivo,
cual es muy interesante ese promedio bloques por juego
y los defensor altura, como bien como los bloqueando calificar,
están todos positivo relaciones
Y entonces inicialmente, I era confundido por esta, pero I pensar esta posee más para di sobre
los jugadores que estas jugadores están protegiendo bastante que
los real Variables ellos mismos.
Entonces qué I significar por esta es Cuándo tú consideras que más alto jugadores
con mejor bloqueando estadísticas están grande hombres jugando energía hacia adelante o centrar,
son protegiendo otro grande hombres.
Y entonces que hace sentido a poco poco más.
guardias tender para poner arriba más puntos en los NBA con los énfasis
en Tres- punto tiroteo ahora.
Y a lote de ofensas están correr a través de algunos de estas menor jugadores
quién tender para ser guardado por otro menor jugadores
Mientras que estas más alto jugadores, con más bloques,
están protegiendo grande hombres quién quizás no son los focal punto de los ofensa,
aparte desde cierto jugadores me gusta Jokić y Embiid y Giannis.
Pero esta causas a positivo relación,
pero es De Verdad más a función de los posición
que estas jugadores están jugando.
Entonces I pensamiento que era un interesante
condicional relación para destacar dentro de los modelo,
y eso implica a poco poco más Más adentro pensando sobre los relación Entre
bloqueando, altura, y los puntos que un ofensiva jugador pone arriba.
Entonces en condiciones de los modelo en general,
nosotros lata ver que esta una y el Lazo regularizado modelo
están muy similar en sus predicciones
Bien ver que en más detalle pronto Cuándo I dar la vuelta para los 2021 predicciones,
pero los elección luego puede que no ser también significativo.
Ambas cosas tener sus ventajas
De curso, esta una permite nosotros para ver los significado de más de los variable,
específicamente los defensivo variable,
mientras que los primero una posee a levemente más bajo AIC
y puede que ser mejor por predicciones si los datos es disponible.
Entonces ambas cosas salir a poco poco para ser deseado
en condiciones de prediciendo mucho más seguramente que los sencillo lineal regresión.
I haría tener apreciado para ver esta Raíz Medio cuadrado Error disminución más,
y es algo I haría Mira dentro como I Seguir esta proyecto,
mirando para recolectar mejor datos, difícil para hacer los enfrentamientos
más individualizado sin sacrificando los normalidad de los respuesta variable,
cosas me gusta que.
Pero con que siendo dijo, estas están los modelos que I tener ahora,
y nosotros lata Mira para prueba estas en los 2021 temporada por lo tanto lejos.
Entonces si I cambiar sobre aquí al enfrentamientos por 2021,
nosotros tener los mismo datos mesa sólo con esta años emparejamientos
Y entonces Yo soy sólo en jose de hart enfrentamientos Correcto ahora
porque I ir para Villanueva y él es a Villanova genial,
entonces aquí nosotros tener él como a jugador, su equipo, y los defensivo equipos,
su estadísticas, sus estadísticas
Como hemos ya visto, estas están todos los Variables
que pudo ser incluido en los modelo.
Pedir disculpas por los rápido panorámica,
pero aquí nosotros tener los predicciones en los final.
Entonces estas predicción variable, o bastante estas columnas,
están los modelo predicciones
Entonces nuestro primero una, nuestro primero modelo, es los Óptimo Múltiples L en el oido Regresión
eso es utilizando los Lazo regresión y incluso los puntos por juego variable.
Como usted lata ver en esta juego,
él es predicho para poner arriba 12.8 puntos y los residual aquí es sobre cinco.
Entonces en realidad esta residual es el puntos menos los predicción.
Entonces él Realmente poner arriba, esta es alrededor 13 y esta es alrededor cinco,
entonces él poner arriba sobre 18 puntos aquí en lugar de de nuestro predicho 13
Entonces eso es obviamente no a estupendo la medida.
Y luego nosotros lata Mira en algunos de los alternativa modelo.
los alternativa modelo predicción es muy similar,
y nosotros voluntad ver esta en mayor que detalle como I dar la vuelta espalda para los PowerPoint y show usted
tipo de a condensado versión de esta datos mesa,
porque Correcto ahora I saber que esta en JMP es a poco poco agobiante
porque hay entonces muchos variable, entonces muchos aleatorio números
siendo arrojado en usted.
Entonces Yo soy yendo para cambiar espalda
dentro los PowerPoint para show usted algunos de los predicciones
por ambas cosas jose Ciervo aquí y por Kevin Durant.
Todos Correcto, entonces ahora que nosotros tener nuestro dos modelos
y los sencillo lineal regresión para comparar eso para,
nosotros lata aplicar estas predicciones para juegos que Kevin Durant posee jugó esta temporada.
Entonces aquí están cuatro juegos jugado en atlanta, charlotte, chicago, y Cleveland.
En los primero una, él anotó 31 puntos.
En realidad, ambas cosas nuestro modelos predicho cerrar para 26 puntos,
entonces los residual es sólo alrededor cinco.
Sin embargo, nosotros ver que cuando kevin Durant es cerrar para su promedio puntos
alrededor 28 o 29 puntos por juego,
Cuándo él Realmente puntuaciones que, los predicciones están muy cerrar
porque puntos por juego pesa entonces fuertemente en estas modelos
Entonces, por ejemplo, en esta cleveland juego,
nuestro primero modelo predicho 26.2 puntos, él Realmente anotó 27
Por lo tanto, los residual es menos que una.
Y similar aquí, los derechos residuales de autor menos que una
por los alternativa modelo como bien.
Entonces nosotros ver que los modelo sobresale Cuándo jugadores llevar a cabo cerrar para promedio,
cual ellos voluntad hacer más de los hora. Pero hay obviamente variación,
me gusta en esta juego en contra charlotte, él tenido a particularmente bien juego.
Él anotó 38 puntos.
Es a estupendo juego, pero particularmente bien juego por Kevin Durant estándares
Y entonces los modelo predicciones están mucho más lejos apagado.
Y nosotros ver los mismo cosa con jose Ciervo.
Su puntos promedio a poco poco más bajo porque él, de nuevo, lleva a encendedor carga.
Kevin Durant es a estrella jugador en los redes,
entonces él es consiguiendo a lote de toca y tomando a bien parte de esos tiros
Entonces aquí nosotros tener de hart producción.
Otra vez, su puntos promedio está más cerca para estas 12 y 14 rango.
Entonces los derechos residuales de autor aquí están muy pequeña.
Cuándo él pone arriba 14,
nuestro modelos predicho alrededor 13.5 y los derechos residuales de autor son alrededor de .5 .
Entonces nosotros tener De Verdad bien predicciones por Cuándo él puntuaciones
un promedio Monto de puntos o cerrar para un promedio Monto de puntos.
Pero Cuándo él puntuaciones menos o mucho mayor que
luego los predicciones tender para sufrir a poco poco.
Entonces con todos esta siendo dijo, I saber I corrió a través de estas modelos
Vamos llevar a paso espalda y Mira en los limitaciones en detalle
y algunos más estudio que I pudo abarcar.
Entonces primero de todos, estas están utilizando promedios por los ofensiva jugador y defensivo equipo
como opuesto para ofensiva jugador y individual jugador.
Como He mencionado, que haría ser los ideal guión,
pero como I era haciendo eso, eso no lo hizo trabajo fuera me gusta que.
Entonces que pudo ser causando algunos problemas porque es duplicando algunos resultados
En lugar de de siendo clasificar de a una para una,
si a jugador es siendo guardado por esta jugador,
esta es cómo muchos puntos ellos voluntad puntaje.
Si a jugador es siendo guardado por a combinación de jugadores en esta equipo,
esta es cómo muchos puntos ellos voluntad puntaje.
Entonces es más fácil para predecir pero quizás a poco menos preciso.
Adicionalmente, los promedios están por los completo temporada,
cual medio predicciones hacia los comenzando mayo ser menos preciso,
como I mencionado, cual es algo que I pensar los carrera profesional valores
tratar para remedio a poco poco.
Eso pudo ser valor agregando cosas me gusta puntos por juego
en los temporada Variables con a retraso de quizás cinco estaciones.
Entonces tomando los promedio puntos por juego por los último temporada, dos estaciones atrás,
Tres estaciones atrás, y entonces en para tratar para agregar algunos más Variables
y quizás predecir a hora o a tendencia en jugador rendimiento.
Adicionalmente, jugador rendimiento es dependiente en incontable otro factores
tal como frío o caliente manchas,
cómo bien ellos han estado ejecutando como de tarde,
lesiones en sus propio equipo, Lesiones en los oponerse equipo
que pudo aumento o disminución sus papel,
menor lesiones que ellos están relación comercial con ellos mismos
que pudo disminución o aumento sus papel.
Y luego cosas me gusta descanso días,
viaje hora, y a lote de otro intangibles
me gusta NBA jugadores están humano y nosotros todos saber algunos días fueron no sentimiento los mejor,
otro días fueron sentimiento estupendo, más enérgico.
Esos tipos de cosas pudo dirigir para mejor rendimiento o peor rendimiento.
Entonces estas intangibles están
no yendo para ser algo que I lata factor dentro los modelo
pero es importante para reconocer que ellos pudo todavía afectar
los puntos en a dado juego.
En condiciones de más estudio,
I haría amor para tipo de rectificar todos estas limitaciones
y Mira para predecir a más holístico variable
tal como ofensiva clasificación.
Entonces ofensiva clasificación es yendo para predecir a del jugador puntos por 100 posesiones
contribuido para los juego en lugar de de sólo una aspecto de los juego en puntos.
I haría amor para predecir algo me gusta esta o dar la vuelta eso para los defensivo lado
y predecir a defensivo clasificación establecido en quién son probable
para ir arriba en contra en ofensa.
Entonces algo me gusta que I pensar haría ser De Verdad frio
y eso haría ampliar los solicitud de esta más hacia entrenadores
y equipo analistas en lugar de de quizás algunos de los fantasía baloncesto jugadores
quién están mirando por a estricto medición me gusta puntos o algo me gusta que.
Entonces con todos esta siendo dijo,
Yo soy definitivamente yendo para Seguir trabajando en esta proyecto.
Eso era a lote de divertido y I amor mirando en estas modelos
y interpretando desde a baloncesto punto de vista qué yendo en.
Si usted tener ninguna preguntas, por favor sentir gratis para poner esos preguntas
en mi comunidad correo en los comentarios voy a ser contento para responder ellos.
Y si usted tener ninguna sugerencias como bien por más estudio,
I haría además ser contento para llevar esos en. Gracias usted entonces mucho tu hora.
