こんにちは、みんな。 私の名前はケビンオドネル。
私a JMPグローバルカスタマーリファレンスインターン、
と今日病気なれプレゼンテーションオンa個人的分析事業
それ私は終わりそれはthe NBAプレーヤーマッチアップモデル。
それでただに得る始めた、
私だろうお気に入りに行く以上わたしの考えとthe動機ために建物theモデル。
私はいつもその間信じられないほど興味があるのバスケットボール。
私はその間a巨大バスケットボールファンためにわたしの全体生活、
と私だった見てためにa新着分析事業に飛び込むの中へ、
それで私終了しました上尋ねるこれ質問ここ：
できる私たちモデルaプレイヤーの攻撃成功
ベースオン彼らの平均とthe強さの彼らの対戦相手なので良い？
それでなので多くのの我ら知るから見てどれかスポーツ、
プレーヤーパフォーマンス不定大きくからゲームにゲーム。
これはベースオンaバラエティの要因
と一のこれらはであることaプレイヤーの平均ポイント。
それか意思なれaとても強い予測子ためにポイントのとNBAゲーム、
しかしこれは遠いからtheそれだけ影響オンaプレイヤーの攻撃パフォーマンス。
それで行くの中へこれ事業、
私欲しかったに建てるaモデルそれ予測theプレイヤーポイントのtheゲーム
ベースオンtheポイントあたりゲーム、
しかしまたa多くの他の変数どれの私たち意思見るの中へオンthe次滑り台。
それで理想的には、これ意思なれ役に立ったためにコーチとチームアナリストに、
ために例、決定どれのの彼らの攻撃プレイヤーそれはおそらく
に以上実行またできるに実行本当良い
ベースオン彼らのマッチUPSと副逆に、どれのの彼らのプレイヤー彼らそうかもしれない欲しいです
に避けるオンオフェンスなぜなら彼らはであること守られた
にいくつかのthe一番防御的プレイヤーオンthe他のチーム。
これは可能性があります知らせる遊ぶ呼び出しとゲーム計画、
それでもしもa特にディフェンダーは弱い、コーチ五月見るに目標それマッチ上
また見るに力aスイッチに彼らの一番得点者。
のtheエンターテイメントレルム、
ファンタジーバスケットボールプレイヤーできる使用するこれデータに形アウト
WHOに始めるまたWHOに選ぶ上オフthe権利放棄ワイヤー、
それでそれもっているa広い範囲のアプリケーション。
それでこれがa少し少しのthe概要のtheデータ。
病気行く使ってこれ早く、そして、私たちは見るこれなので私行く
の中へthe JMPデモa少し少しもっとの詳細、
しかしそうだった行くに予測するポイントあたりゲームベースオンセブン主要カテゴリのデータ。
それでそうだった行くに使用するプレーヤー攻撃平均ためにthe季節、
これ含むものお気に入りポイントあたりゲーム、
3.2点パーセンテージ、と高度メトリックそのようななので利用方法割合、
どれの記録どうやって頻繁と攻撃プレーヤーは中古オン彼らのチーム。
プレーヤー属性そのようななので高さ、羽スパン、垂直飛躍
意思またなれ含まれていますために両方the攻撃と防御的プレイヤー
なぜならこれらは物理的属性、私だろう推定、また助ける
にどうやってたくさんのポイントaプレーヤー意思スコア。
ついに、の条項のthe攻撃プレイヤー、
良い使用するキャリア平均。
The同じ平均それそうだったを使用してためにthe季節、
良いまた使用するためにtheキャリアに追加a少しもっと堅牢性にtheモデル、
と全体チームペースと攻撃リバウンドパーセンテージ
はまた行くになれa予測子なぜならそれ意思決定
どうやってたくさんの所持品そこの意思なれ。
もしもそこのそれはもっと所持品のtheゲーム、これはもっとおそらくそれどれか与えられたプレーヤー
意思持ってるもっとポイント。
等々それ同じトークン、防御的チームペース
と防御的リバウンドパーセンテージ意思またなれ中古。
の条項の個人防御的統計、ものお気に入り盗む、ブロック、ファウル、
と他の高度メトリックそのようななので防御的シェアを獲得し、どれの対策
と個人プレイヤーの貢献にtheチームの勝つオン防衛。
それらのそれはまた行くになれ予測子に
恐らく否定するthe額のポイントそれそれは得点にと攻撃プレーヤー。
とそれから最後に、 theディフェンダー属性意思なれ中古なので私言及されたついさっき。
それで前私たち得る正しいの中へtheデータとtheモデリングとJMP、
私だろうお気に入りに行く以上the一致するデータそれ私だったを使用して
ためにtheバルクのtheモデル。
それでthe NBA近々実装いくつか新着個人的マッチ上データコレクション
とこれはベースオン詳細プレーヤー追跡。
それでそれトラックthe最も近いディフェンダーで毎日点、
いいえただthe主要なディフェンダーオンa遊ぶ。
これそれだけトラックフロント裁判所時間とそれ意思追跡部分的所持品。
それで何これ手段はそれaプレーヤーできるなれ守られたに
なのでたくさんのなので五違うプレイヤーオンa独身遊ぶ、
と各ディフェンダーだろうなれ受賞theそれぞれ額
の一致する分ためにそれ所持。
それでここ私たち持ってると例のテリーロジアーためにtheホーネッツ
であること守られたに四違うプレイヤーオン違うチーム。
のthe最初行、ステフカレーはガード彼
のそれだけ一ゲームために2.7分と許可された2ポイント。
それでもしも私たち考えるのa仮説どこtheホーネッツそれは遊ぶ
ステフカリーズゴールデン州ウォリアーズとカレー守られたロジアーために10秒、
とそれからクレイトンプソン切り替えオンにロジアーために別10秒、
両方だろうなれ受賞それらの10秒の一致する時間。
しかし、もしもロジアー得点a 2ポインタでthe終わりのこれ所持、
theポイントだろうなれマークされたためにクレイトンプソン。
これは本当いいね追跡データと私愛どうやって明確それは、
しかしそれした原因いくつか問題いつ私は試したにモデルtheポイントあたり分
ために各プレーヤーとディフェンダー組み合わせ、どれのだったわたしのオリジナル予定。
それで私だった元は行くに使用するthe攻撃プレーヤー統計
と防御的プレーヤー統計それ私言及されたのthe前滑り台
の毎日個人一致する。
だが以来たくさんのディフェンダー、お気に入りあなたは見るここ、
ログに記録されますとても小さい金額の時間、
お気に入りスタンリージョンソンそれだけ守られたロジアーためにと平均の下一分aゲーム、
それはいいえ足りる時間
ためにいくつかのこれらはポイントあたり分測定になれ正常。
それで行く戻るにそれクレイトンプソン仮説、
もしもクレイそれだけ守られたロジアーために10秒the全体ゲーム
とロジアー持っているにスコア2ポイントのそれ所持、
それからRozier'sポイントあたり分に対してクレイのそれ行だろうなれ12.12。
それで明らかに、外挿それにa満杯ゲーム、
平除くthe戻る裁判所時間なのでこれデータします、これはとても非現実的。
それで私持っていましたに行くとa少し違う、以下理想アプローチ。
その代わりのを使用してthe個人防御的統計、
私実際に平均彼らアウト
ために各組み合わせのプレーヤーと防御的チーム。
それで代わりはのを使用してロジアー対カレーとロジアー対トンプソン、
私だろう使用するロジアー対the全体ゴールデン州ウォリアーズ平均ベースオン
the額の一致する分それ各プレーヤー守られたロジアー。
それでために例、
もしもステフカレーとクレイトンプソン両方守られた彼ために半分the額
の可能マッチ上分、それからtheチーム平均、
しましょういう盗むあたりゲーム、だろうただなれthe算術平均
のカレー盗むとクレイ盗むあたりゲーム。
The同じだろう行くために毎日防御的変数
とそれは明らかにa単純例、
しかしthe同じ行くために毎日プレーヤー対毎日チーム。
それで明らかにこれはいいえ理想なぜならそれ最小化
the個性のthe一致する。
だが私持っていましたに放棄するそれポイントあたり分アプローチ
なぜならtheサンプルそうだったそれも小さいとthe応答だったひどく歪。
それでこれモデルそれ私は作成したとthe集約データはもっと正確
よりもわたしのイニシャル試み、平けれどそれ犠牲いくつか個性。
それででこれ点、私行くにスイッチの中へJMPここ
とするa少し少しのtheデモどのように私建てられたtheモデル
といくつか探索的データ分析に始める。
それでに始める、そうだったただ行くに見るでいくつか限界関係
とポイントのtheグラフビルダー、
と私できるに選ぶどれか私欲しいです。
だがために今そうだった行くに見る具体的にはで三変数、
the最初であることポイントあたりゲーム。
それで私たち見るここ、私たち持ってるa適度関係
とポイントとポイントあたりゲーム、とそれはポジティブなので私たちだろう予想。
The平均ポイントそれ誰かプット上のaゲーム、
また以上theコースのthe季節それよりも、は行くに明らかに影響
どうやってたくさんのポイント彼らスコアのaゲーム。
同様に、なにかお気に入り利用方法割合、
the高度統計学それ私だった話し合うついさっき、
またもっているaポジティブ関係、
ただ少し弱いよりもthe関係の間にポイントとポイントあたりゲーム。
ついに、もしも私たち見るでいくつかのtheキャリア統計、
もしも私たち見るでキャリアポイントあたりゲーム、それからまた私たち見るaポジティブ関係、
しかしそれはa少し少し弱いなぜならこれは平均以上theコース
のaプレイヤーのキャリアそれよりもよりもthe季節それそうだった現在の。
だがうまくいけばこれできるヘルプ調整ためにいくつか選考科目違い
のtheポイントあたりゲーム合計また平均それよりも。
それで今それ私たち持ってるある種のと考えのtheデータ自体、
私たちできる動くの中へthe単純線形回帰
とポイントにポイントあたりゲームなのでa基準ためにこれモデル。
それでなので私言及された、
君できる予測するベースオンただポイントあたりゲーム
とそれ意思与える君aちゃんとした予測。
だがそうだった見てに向上それ予測に追加する
いくつかのこれらは違う変数、攻撃と防御的。
それでもしも私たち走るこれ脚本ここ、
これはただ比較いくつか実行しますのa単純線形回帰
オンtheトレーニングと検証セットするを使用してKFolds検証全体を通して。
ともしも私走るここを使用してthe隠れた検証2桁
それ病気なれを使用してためにthe残りのこれらはモデル、
それから私たちできる見るthe回帰ここ。
それでこれがa回帰プロット。 これ見えるかわいい散らばっている。
ありますいいえaクリア線形関係、しかしthe RS quareは適度、
意味それ46.5パーセントのthe変化のポイントは会計処理ために
にこれ平均ポイントあたりゲーム、どれのはかわいい良い。
とthe二乗平均平方根誤差はだいたい5.5。 27。
The二乗平均平方根誤差それは標準偏差のthe残差、
それでこれは本質的にthe変化のどうやって良い私たちのモデルは予測。
これは標準偏差はその周り五。
と私たちできるまた見るでいくつか他の対策、
そのようななのでthe AIC、どれのは中古に比較モデルために予測可能性。
それでAICは別重要測定、
とそれ対策どうやって良いtheモデル意思予測する
相対的にthe番号の予測子置くのtheモデル、
ただに作る承知しましたあなたはいいえ追加する仕方それもたくさんの。
それでのこれ場合、 the AICはとても高い、と私たちできる来て戻るにこれ番号
なので私たち見るでthe比較の間にこれとthe多数線形回帰
それ私意思見せる後で。
それでその間私だったしようとしていますに選ぶtheモデルそれ私だった行くに選ぶ、
私決めたに使用するtheモデルふるい分け特徴のJMP、
どれの許可します君に選択する君の応答変数とすべてthe要素変数。
私終了しました上パッティングのすべてのthe数値変数それ私持っていましたためにa満杯モデル
ただに見る最初はどれのモデル実行the一番。
と私だったできるに選ぶからaバラエティのこれらは違うメソッド、
含むXGB oostと一般化されたR出口、
とそれからのコース、ただthe正常リース平方。
のthe興味の時間、これだろう取る永遠にに走る
なぜならこれはを使用していくつかのこれらは機械学ぶアルゴリズム。
それで私代わりはただ行くに引く上クイックスクリーンショットのtheモデルふるい分け。
それでここ私たち持ってるthe出力からこれモデルふるい分け。
これショーthe RS quare。
また、私だったを使用してKFold検証と十ひだここ。
それでこれショーthe RS quare
とtheルートM ean平方エラーために各走る。
それで私たちできる見るそれthe少しでも平方フィット実際に持っていました
aとても強いフィット比較にいくつかのthe機械学ぶアルゴリズム、
どれの私だった驚いたに。 だがそれ実際に役立ちますために解釈可能性
なぜならいくつかのこれらは機械学ぶアルゴリズム、
彼らはもっとのaブラック箱。 ともしも私そうだったに使用するそれらの、
それしませんなれなので簡単に解釈the係数また見る
どれの変数それは本当に重要
またどれのそれはただであること中古ために予測。
それでなぜならtheのフィット最小二乗とtheラッソ回帰、
どれの病気得るの中へa少し少し後で、そうだったそれで高い、
これは実際にa良いサインそれ私できるに使用するそれためにより良い解釈可能性。
それでなので私たちできる見る、 the多くの正確モデルはこれ多数線形回帰
となげなわ正則化。
なげなわ正則化はa統計技術それ正規化theモデル
と選択します特徴に最小化多重共線性。
多重共線性はthe相関の間に予測子
とそれできる否定的に影響theモデル。
それでを使用してこれ技術、
そうだったできるに取るthe満杯線形回帰モデル示されているここ
と削除いくつかのthe変数に最小化the多重共線性
と多分満足させるいくつかのthe線形仮定より良い。
それでとそれ情報、
私だったできるに取るthe変数選択となげなわ正則化
とそれから作成a多数線形回帰を使用してそれらの変数。
それでなので君できる見るここ、
the実際に予測プロット見えるかわいい似ている。
これそうかもしれないなれ少しクローザーにtheラインの一番フィットここ、どれのはa良いサイン。
と私たちできる見る私たちの効果要約、
しかしそうだった行くにスクロールa少し少し過去それ
それでそれ私たち得るにtheまとめの私たちのフィット。
それで比較にthe単純線形回帰、
the RS quareとthe調整済みRS quareそれはとても似ているとそれは恐らく
なぜならポイントあたりゲームはそのようなaひどく影響力要素のこれ、
なので良いなのでthe単純線形回帰、明らかに。
それでtheフィットはいいえそれも多くの違う。
しかし、追加するこれらは違う変数示されているここします向上
theルートM ean平方エラーa少し少し。
これ行ったからだいたい5.3に少し以上5.2、どれのはいいえa抜本的改善、
しかしと改善それにもかかわらず。
だがthe本物違いここはのthe AICと比較これらはモデルの条項
の彼らの予測可能性、 the AICドロップ大幅
からthe単純線形回帰にこれ多数線形回帰
とラッソR正規化、どれのは絶対にa良いサイン。
私たち見るいくつかのこれらはパラメータ見積り下こことのコースthe結果
ためにRS quareと根平均平方エラーのクロス検証。
それで見てでいくつかのこれらはパラメータE見積もり、
theポイントあたりゲーム、またとても重要、
それは重要ですでthe .05 a lphaレベルとたくさんの下それ。
とこれはになれ期待される、なので私たちは説明すでに。
ひっくり返すパーセンテージはまた重要
とこれもっているaネガティブ関係とポイント。
として一だろう予想、もしもあなたは旋回the玉以上もっと、
それは以下機会にシュートthe玉、
以下機会にスコア。
それでそれチェックアウトとただ私たちの知識のバスケットボール。
ここ私たち持ってるthe防御的ペース、またtheペースのthe防御的チーム、
とこれもっているa少しポジティブ関係とポイント条件付き
オンthe他の要因のtheモデル。
また、それはになれ期待されるなぜならtheもっと早くaチーム演劇、
それは一般的もっとチャンス。
しかし、それそうかもしれないいいえ持ってるそのようなa強い効果なので売上高またポイントあたりゲーム。
とそれから最後に、防御的リバウンドパーセンテージ。
これはただどうやって頻繁the防御的チーム運搬the防御的リバウンド。
また、これは防止2番目機会ポイントためにthe攻撃、
それでそれしたほうがいい持ってるaネガティブ関係輸送する、どれのそれします。
それですべてこれらはもの小切手アウト、
とそれからいくつかのこれらは他の変数それは取るに足らない条件付きで、
しかし含まれていますなぜなら彼ら向上the予測可能性のtheモデル。
それでなにかお気に入り利用方法割合そうかもしれないいいえなれ重要でthe .05レベル、
しかしそれそれにもかかわらず改善する私たちの予測。
今、知っているそれポイントあたりゲームそうかもしれないいいえなれ利用可能
でthe始まりのthe季節、にthe範囲それそれは
近くthe終わりのthe季節、
意味それポイントあたりゲームそうかもしれないなれa少し以下信頼性のある
とa小さいサンプルサイズ。
私は見るに作成と代わりのモデルそれなしそれ
に見るもしも私できるまだ予測する
より良いよりもthe単純線形回帰と似ているにtheなげなわ回帰、
しかしそれなし依存オンaポイントあたりゲームためにthe季節測定。
それでこれ代わりのモデル、私作成したを使用して後方選択にAIC。
とまた私左アウトthe季節ポイントあたりゲーム、
それでそれまだ含むthe他のポイントあたりゲーム測定、
また他のあたりゲーム測定それよりも、
お気に入りフィールドゴール未遂から三とから2、
どれの平行といくつかのこれらは他の変数できるなれaプロキシーために
それ平均ポイントあたりゲーム。
それでそれ' sいいえ完全に壮健に対して早い季節変動
と小さいサンプルサイズ。
だがこれは可能それこれらは変数そうかもしれないなれa少し少しもっと代表
のどうやってaプレーヤーは行くに実行のthe長さ走る。
私考えそれ多分
プレイヤーそうかもしれないなれa少しもっと一貫性のあると彼らの未遂統計、
またthe割合でどれの彼らは撮影the玉、
それよりもよりもただthe額のポイント彼ら得るそれできる変化ベースオン
ただa小さいサンプルサイズ。
これらはできるなので良いしかし...
ただを使用してこれモデルなのでと別、
とそれターンアウトそれそれ実際に予測する
かわいい同様ににtheモデルとポイントあたりゲームのそれ。
それでそれそうかもしれないいいえなれ好意必要なもしもポイントあたりゲームは利用可能。
不適切しかしそれ提供しますa似ている予測。
それで私たちできる見るそれthe RS quareはかわいい似ている、
五月持ってる増加a少し少し、
とthe根平均平方エラーはまた似ている。
The AIC提案それthe他のモデルはaより良いモデルために予測
ベースオンthe額の変数含まれています、それでそれは絶対になにかにノート。
だが各モデルもっているこれは利点。
これ一、特に、
私たちできる見るいくつかのthe条件付き関係のthe他の変数、
特にそれらのオンthe防御的側、それ私たちできませんでした見るなので多くの
のthe他の一なぜならポイントあたりゲームだった支配的それで多くの。
それで私たち見るここそれ2ポインタと三ポインタ未遂
それは計量取るに足らないためにポイント、どれのまた、
それ作る検出なぜならtheもっとショットあなたは取って、
theもっとおそらく君それはにスコアもっとポイント。
とそれからそこのそれはいくつか他の変数それ作る検出、
といくつかその他それ多分範囲少し紛らわしいで最初視力。
それで攻撃シェアを獲得し、
それであることa重要変数作る検出それは測定
どうやって多くのaプレーヤーは貢献するに勝つオンthe攻撃側、
それ作る検出それそれもっているaポジティブ関係
なので私たちできる見る下ここ。
それで攻撃シェアを獲得する正しいここもっているaポジティブ関係。
とまたthe防御的リバウンドパーセンテージ下ここ
減少しますthe推定また、それでそれはかわいい一貫性のある
と何私たちは見たのthe前モデル。
平均ファウルあたりゲーム、平均個人的ファウルあたりゲーム下ここ、
もっているaネガティブ効果思っただった面白い。
それでaプレーヤーまたチームとaより高いファウル合計
は行くに否定的に影響theポイント得点ためにthe攻撃プレーヤー。
これそうかもしれない平均彼らはもっと攻撃的。
私だろう推定それ彼らそれは遊ぶより激しい防衛の制限ポイント
使って盗む、ブロック、またひどく争われたショット、
となのでa結果、彼らは取得もっとファウルと呼ばれるオン彼ら。
しかし、これはいいえすべて良いためにthe防衛
なぜなら以来theプレーヤーできるファウルアウトと六ファウル、
そこのはa特定残高にストライクのtheディフェンシブエンド。
君はしないでください欲しいですになれそれも攻撃的
なぜならそれから君できるなれ与える上より簡単にポイント
また君できるなれリーディング君のプレイヤーの中へファウル問題。
それでそれはと面白い変数、私考える、に検討。
とのコース、これはa条件付き意義、
それでそれそうかもしれない変化する少しベースオンthe除去
また添加の特定他の変数。
と最後に、 aカップルの防御的関係
それは特に紛らわしいで最初一目、私考える。
具体的には関与するブロックとディフェンダー高さ。
それで私たち考えるのバスケットボールとしてとても依存オン高さ。
もしも君それは背が高い、あなたはもっとおそらくに行くにthe NBA。
セブンフッター、私考える君持ってるa 20パーセント機会
のただ行くにthe NBA平もしも君それは7フィート。
それでこれはなにかそれ私たち考える、もし、あんたがブロックショットもっととあなたは背が高い、
あなたは行くになれ影響theオフェンスのポイント否定的に。
しかし、私たち見るそれこれらは関係それは実際に条件付きでポジティブ、
どれのはとても面白いその平均ブロックあたりゲーム
とtheディフェンダー高さ、なので良いなのでtheブロッキング割合、
それはすべてポジティブ関係。
とそれで最初は、私だった混乱しているにこれ、しかし私考えるこれもっているもっとにについて言う
theプレイヤーそれこれらはプレイヤーそれはガードそれよりもよりも
the実際変数彼ら自身。
それで何私平均にこれはいつあなたが考えるそれ背が高いプレイヤー
とより良いブロッキング統計それは大きい男性遊ぶパワー前方また中心、
彼らはガード他の大きい男性。
とそれでそれ作る検出a少し少しもっと。
警備員傾向に置く上もっとポイントのthe NBAとthe強調
オン三-点撮影今。
とa多くの犯罪それは走る使っていくつかのこれらは小さいプレイヤー
WHO傾向になれ守られたに他の小さいプレイヤー。
一方これらは背が高いプレイヤー、ともっとブロック、
それはガード大きい男性WHO多分ないtheフォーカル点のthe攻撃、
脇から特定プレイヤーお気に入りヨキッチとエンビードとヤニス。
だがこれ原因aポジティブ関係、
しかしこれは本当もっとa関数のthe位置
それこれらはプレイヤーそれは遊んでいます。
それで私考えそれだったと面白い
条件付き関係にハイライト以内にtheモデル、
とそれ関与するa少し少しもっともっと深く考えだいたいthe関係の間に
ブロッキング、高さ、とtheポイントそれと攻撃プレーヤープット上。
それでの条項のtheモデル全体、
私たちできる見るそれこれ一ラッソは正則化されましたモデル
それはとても似ているの彼らの予測。
良い見るそれのもっと詳細すぐいつ私フリップにthe 2021年予測、
しかしthe選択それからそうかもしれないいいえなれそれも重要。
両方持ってる彼らの利点。
のコース、これ一許可します我らに見るthe意義のもっとのthe変数、
具体的にはthe防御的変数、
一方the最初一もっているa少し低いAIC
とそうかもしれないなれより良いために予測もしもtheデータは利用可能。
それで両方離れるa少し少しになれ望ましい
の条項の予測多くのもっと確実によりもthe単純線形回帰。
私だろう持ってるいいねに見るこれ根手段quareエラー下降もっと、
とこれはなにか私だろう見るの中へなので私継続するこれ事業、
見てに集めるより良いデータ、しようとしていますに作るthe対戦
もっと個別化それなし犠牲にするthe正常のthe応答変数、
ものお気に入りそれ。
だがとそれであること言った、これらはそれはtheモデルそれ私持ってる今、
と私たちできる見るにテストこれらはオンthe 2021年季節したがって遠い。
それでもしも私スイッチ以上ここに対戦ために2021年、
私たち持ってるthe同じデータテーブルただとこれ年の対戦。
とそれで私ただオンジョシュハートの対戦正しい今
なぜなら私行くにヴィラノーバと彼はaヴィラノヴァ素晴らしい、
それでここ私たち持ってる彼なのでaプレーヤー、彼のチーム、とthe防御的チーム、
彼の統計、彼らの統計。
として私たちはすでに見た、これらはそれはすべてthe変数
それできるなれ含まれていますのtheモデル。
謝罪ためにthe素早いパン、
しかしここ私たち持ってるthe予測でthe終わり。
それでこれらは予測変数、またそれよりもこれらは列、
それはtheモデル予測。
それで私たちの最初一、私たちの最初モデル、はthe最適な複数のL耳の中回帰
それはを使用してtheなげなわ回帰と含むtheポイントあたりゲーム変数。
として君できる見るのこれゲーム、
彼は予測に置く上12.8ポイントとthe残差ここはだいたい五。
それでの現実これ残差それはポイントマイナスthe予測。
それで彼実際に置く上、これはその周り13とこれはその周り五、
それで彼置く上だいたい18ポイントここ代わりはの私たちの予測13.13。
それでそれは明らかにいいえaすごい測定。
とそれから私たちできる見るのいくつかでthe別モデル。
The別モデル予測はとても似ている、
と私たち意思見るこれの大きい詳細なので私フリップ戻るにtheパワーポイントと見せる君
親切のaコンデンスバージョンのこれデータテーブル、
なぜなら正しい今私知るそれこれJMPではa少し少し圧倒的
なぜならありますそれでたくさんの変数、それでたくさんのランダム数字
であること投げられるで君。
それで私行くにスイッチ戻る
の中へtheパワーポイントに見せる君いくつかのthe予測
ために両方ジョシュハートこことためにケビンデュラント。
全て正しい、それで今それ私たち持ってる私たちの2モデル
とthe単純線形回帰に比較それに、
私たちできる申し込みこれらは予測にゲームそれケビンデュラントもっている遊んだこれ季節。
それでここそれは四ゲームで遊んだアトランタ、シャーロット、シカゴ、とクリーブランド。
のthe最初一、彼得点31ポイント。
の現実、両方私たちのモデル予測選ぶに26ポイント、
それでthe残差はただその周り五。
しかし、私たち見るそれケビンがデュラントは選ぶに彼の平均ポイント
その周り28また29ポイントあたりゲーム、
いつ彼実際にスコアそれ、 the予測それはとても選ぶ
なぜならポイントあたりゲーム重さそれでひどくのこれらはモデル。
それで、ために例、のこれクリーブランドゲーム、
私たちの最初モデル予測26.2ポイント、彼実際に得点27。
したがって、 the残差は以下よりも一。
と同様にここ、 the残差以下よりも一
ためにthe別モデルなので良い。
それで私たち見るそれtheモデル優れているいつプレイヤー実行選ぶに平均、
どれの彼ら意思する多くののthe時間。 だがあります明らかに変化、
お気に入りのこれゲームに対してシャーロット、彼持っていましたa特に良いゲーム。
彼得点38ポイント。
これはaすごいゲーム、しかし特に良いゲームにケビンデュラント標準。
とそれでtheモデル予測それは多くのさらに遠くオフ。
と私たち見るthe同じものとジョシュハート。
彼のポイント平均のa少し少し低いなぜなら彼もまた、キャリーaライターロード。
ケビンデュラントはaスタープレーヤーオンtheネット、
それで彼は取得a多くのタッチと取るa良い部分のそれらのショット。
それでここ私たち持ってるハートの製造。
また、彼のポイント平均近いにこれらは12と14範囲。
それでthe残差ここそれはとても小さい。
いつ彼プット上14、
私たちのモデル予測その周り13.5とthe残差約0.5です。
それで私たち持ってる本当良い予測ためにいつ彼スコア
と平均額のポイントまた選ぶにと平均額のポイント。
だがいつ彼スコア以下また多くの大きい
それからthe予測傾向に苦しむa少し少し。
それでとすべてこれであること言った、私知る私走った使ってこれらはモデル。
しましょう取るaステップ戻ると見るでthe制限の詳細
といくつかさらに勉強それ私できる擁する。
それで最初のすべて、これらはそれはを使用して平均にthe攻撃プレーヤーと防御的チーム
なので反対に攻撃プレーヤーと個人プレーヤー。
として私は言及された、それだろうなれthe理想シナリオ、
しかしなので私だったやってそれ、それしませんでした仕事アウトお気に入りそれ。
それでそれできるなれ原因いくつか問題なぜならこれは複製いくつか結果。
その代わりのであること選別のa一に一、
もしもaプレーヤーはであること守られたにこれプレーヤー、
これはどうやってたくさんのポイント彼ら意思スコア。
もしもaプレーヤーはであること守られたにa組み合わせのプレイヤーオンこれチーム、
これはどうやってたくさんのポイント彼ら意思スコア。
それでこれはより簡単にに予測するしかし多分a少し以下正確。
さらに、 the平均それはためにthe全体季節、
どれの手段予測向かってthe始まり五月なれ以下正確、
なので私言及された、どれのはなにかそれ私考えるtheキャリア値
試すに療法a少し少し。
これできるなれ価値追加するものお気に入りポイントあたりゲーム
のthe季節変数とa遅れの多分五季節。
それで取るthe平均ポイントあたりゲームためにthe過去季節、 2季節前に、
三季節前に、とそれでオンに試すに追加いくつかもっと変数
と多分予測するa時間またa傾向のプレーヤーパフォーマンス。
さらに、プレーヤーパフォーマンスは依存オン無数他の要因
そのようななので寒いまたホット縞、
どうやって良い彼らはその間実行するなのでの遅い、
怪我オン彼らの自分のチーム、怪我オンthe反対チーム
それできる増加また下降彼らの役割、
マイナー怪我それ彼らそれは取引と彼ら自身
それできる下降また増加彼らの役割。
とそれからものお気に入り残り日々、
旅行時間、とa多くの他の無形資産
お気に入りNBAプレイヤーそれは人間と私たちすべて知るいくつか日々そうだったいいえフィーリングthe一番、
他の日々そうだったフィーリングすごい、もっとエネルギッシュ。
それらのタイプのものできるリードにより良いパフォーマンスまた悪いパフォーマンス。
それでこれらは無形資産それは
いいえ行くになれなにかそれ私できる要素の中へtheモデル
しかしこれは重要に認識それ彼らできるまだ影響
theポイントのa与えられたゲーム。
の条項のさらに勉強、
私だろう愛に親切の修正するすべてこれらは制限
と見るに予測するaもっとホリスティック変数
そのようななので攻撃評価。
それで攻撃評価は行くに予測するaプレイヤーのポイントあたり100所持品
貢献にtheゲーム代わりはのただ一側面のtheゲームのポイント。
私だろう愛に予測するなにかお気に入りこれまたフリップそれにthe防御的側
と予測するa防御的評価ベースオンWHO彼らはおそらく
に行く上に対してオン攻撃。
それでなにかお気に入りそれ私考えるだろうなれ本当いいね
とそれだろう拡張するthe申し込みのこれもっと向かってコーチ
とチームアナリスト代わりはの多分いくつかのtheファンタジーバスケットボールプレイヤー
WHOそれは見てためにa厳しい計測お気に入りポイントまたなにかお気に入りそれ。
それでとすべてこれであること言った、
私絶対に行くに継続する働くオンこれ事業。
これだったa多くの楽しいと私愛見てでこれらはモデル
と通訳からaバスケットボール立場何ですか行くオン。
もしも君持ってるどれか質問、お願いします感じられる自由に置くそれらの質問
のわたしのコミュニティ役職のtheコメント。 病気なれハッピーに答え彼ら。
ともしも君持ってるどれか提案なので良いためにさらに勉強、
私だろうまたなれハッピーに取るそれらのオン。 感謝君それで多くの君の時間。
