Hola, todos. Mi nombre es Kevin O´Donnell.
Soy a JMP Global Pasante de referencia de clientes,
y hoy Enfermo ser presentación en a personal analítica proyecto
eso He hecho eso es el NBA Jugador Modelo de emparejamiento.
Entonces justo a conseguir comenzó,
I haría como a ir encima mi idea y el motivaciones para edificio el modelo.
He siempre estado increíblemente interesado en baloncesto.
He estado a enorme baloncesto admirador para mi entero vida,
y I era mirando para a nuevo analítica proyecto a bucear en,
entonces I terminó arriba preguntando este pregunta aquí:
Podría nosotros modelo a del jugador ofensivo éxito
basado en su promedios y el fortaleza de su oponentes como ¿Bueno?
Entonces como mayoría de a nosotros saber de mirando cualquier deporte,
jugador actuación varía muy de juego a juego.
Es basado en a variedad de factores
y uno de estos ser a del jugador promedio puntos.
Eso voluntad ser a muy fuerte vaticinador para puntos en un NBA juego,
pero es lejos de el solo influencia en a del jugador ofensivo actuación.
Entonces yendo en este proyecto,
I buscado a construir a modelo eso predicho el jugadores puntos en el juego
basado en el puntos por juego,
pero también a lote de otro Variables cual nosotros voluntad mirar en en el próximo deslizar.
Entonces idealmente, este voluntad ser útil para entrenadores y equipo analistas a,
para ejemplo, determinar cual de su ofensivo jugadores son probable
a encima llevar a cabo o capaz a llevar a cabo en realidad Bueno
basado en su fósforo UPS y vicio viceversa, cual de su jugadores ellos podría desear
a evitar en ofensa porque ellos son ser guardado
por alguno de el mejor defensivo jugadores en el otro equipo.
Esto podría informar jugar vocación y juego planificación,
entonces si a particular defensor es más débil, entrenadores puede mirar a objetivo eso fósforo arriba
o mirar a fuerza a cambiar sobre su mejor goleador.
En el entretenimiento reino,
fantasía baloncesto jugadores podría usar este datos a cifra afuera
OMS a comenzar o OMS a elegir arriba apagado el Exención Cable,
entonces él tiene a amplio rango de aplicaciones
Entonces aquí está a pequeño poco de el descripción general de el datos.
Enfermo ir a través de este rápidamente, y bueno ver este como I ir
en el JMP manifestación a pequeño poco más en detalle,
pero eran yendo a predecir puntos por juego basado en Siete principal categorías de datos.
Entonces eran yendo a usar jugador ofensivo promedios para el estación,
este incluye cosas como puntos por juego,
3.2 punto porcentajes, y avanzado métrica semejante como uso tasa,
cual registros cómo a menudo un ofensivo jugador es usado en su equipo.
Jugador atributos semejante como altura, ala durar, vertical salto
voluntad también ser incluido para ambos el ofensivo y defensivo jugadores
porque estos físico atributos, I haría asumir, también contribuir
a cómo muchos puntos a jugador voluntad puntaje.
Finalmente, en términos de el ofensivo jugadores,
Bueno usar carrera promedios
El mismo promedios eso eran usando para el estación,
Bueno también usar para el carrera a agregar a pequeño más robustez a el modelo,
y en general equipo paso y ofensivo rebotando porcentaje
es también yendo a ser a vaticinador porque eso voluntad determinar
cómo muchos posesiones allá voluntad ser.
Si allá son más posesiones en el juego, es más probable eso cualquier dado jugador
voluntad tener más puntos.
Etcétera eso mismo simbólico, defensivo equipo paso
y defensivo rebotando porcentaje voluntad también ser usado.
En términos de individual defensivo estadísticas, cosas como roba, bloqueos, faltas,
y otro avanzado métrica semejante como defensivo ganar acciones, cual medidas
un individual del jugador contribución a el del equipo gana en defensa.
Aquellos son también yendo a ser predictores a
probablemente negar el cantidad de puntos eso son anotó por un ofensivo jugador.
Y entonces finalmente, el defensor atributos voluntad ser usado como I mencionado más temprano.
Entonces antes nosotros conseguir bien en el datos y el modelado y JMP,
I haría como a ir encima el emparejar datos eso I era usando
para el a granel de el modelo.
Entonces el NBA recientemente implementado alguno nuevo personal fósforo arriba datos recopilación
y es basado en detallado jugador seguimiento.
Entonces él pistas el más cercano defensor en cada punto,
no justo el primario defensor en a jugar.
Él solo pistas frente corte tiempo y él voluntad pista parcial posesiones.
Entonces qué este medio es eso a jugador podría ser guardado por
como muchos como cinco diferente jugadores en a soltero jugar,
y cada defensor haría ser galardonado el respectivo cantidad
de emparejar minutos para eso posesión.
Entonces aquí nosotros tener un ejemplo de terry Rozier para el Avispones
ser guardado por cuatro diferente jugadores en diferente equipos
En el primero fila, Steph Curry es protegiendo a él
en solo uno juego para 2.7 minutos y permitido dos puntos.
Entonces si nosotros pensar de a hipotético dónde el Avispones son jugando
Steph de curry Dorado Estado guerreros y Curry guardado Rozier para 10 segundos,
y entonces Klay thompson conmutado en a Rozier para otro 10 segundos,
ambos haría ser galardonado aquellos 10 segundos de emparejar tiempo.
Sin embargo, si Rozier anotó a dos puntero en el fin de este posesión,
el puntos haría ser marcado para Klay Thompson.
Este es en realidad Frío seguimiento datos y I amar cómo específico él es,
pero él hizo causa alguno problemas cuando Lo intenté a modelo el puntos por minuto
para cada jugador y defensor combinación, cual era mi original plan.
Entonces I era originalmente yendo a usar el ofensivo jugador estadísticas
y defensivo jugador estadísticas eso I mencionado en el anterior deslizar
en cada individual emparejar.
Pero desde muchos defensores, como lo harás ver aquí,
registrado muy pequeño montos de tiempo,
como stanley Johnson solo guardado Rozier para un promedio de bajo uno minuto a juego,
eso es no suficiente tiempo
para alguno de estos puntos por minuto mediciones a ser normal.
Entonces yendo atrás a eso Klay thompson hipotético,
si Klay solo guardado Rozier para 10 segundos el entero juego
y Rozier teniendo a puntaje dos puntos en eso posesión,
entonces de Rozier puntos por minuto contra Klay en eso fila haría ser 12
Entonces obviamente, extrapolando eso a a lleno juego,
incluso Excluyendo el atrás corte tiempo como este datos hace, es muy poco realista.
Entonces I tenía a ir con a levemente diferente, menos ideal acercarse.
En cambio de usando el individual defensivo estadísticas,
I de hecho promediado a ellos afuera
para cada combinación de jugador y defensivo equipo.
Entonces en cambio de usando Rozier versus Curry y Rozier versus thompson,
I haría usar Rozier versus el completo Dorado Estado guerreros promedio basado en
el cantidad de emparejar minutos eso cada jugador defendido Rozier.
Entonces para ejemplo,
si Steph Curry y Klay thompson ambos guardado a él para medio el cantidad
de posible fósforo arriba minutos, entonces el equipo promedio,
vamos decir roba por juego, haría justo ser el aritmética significar
de Curry roba y Klay roba por juego.
El mismo haría ir para cada defensivo variable
y eso es obviamente a simple ejemplo,
pero el mismo va para cada jugador versus cada equipo.
Entonces obviamente este es no ideal porque él minimiza
el individualidad de el emparejar.
Pero I tenía a abandonar eso puntos por minuto acercarse
porque el muestras eran también pequeño y el respuesta era fuertemente distorsionado.
Entonces este modelo eso He creado con el agregado datos es más preciso
que mi inicial intentos, incluso aunque él sacrificios alguno individualidad.
Entonces en este punto, Soy yendo a cambiar en JMP aquí
y hacer a pequeño poco de el manifestación sobre cómo I construido el modelo
y alguno exploratorio datos análisis a comenzar.
Entonces a comenzar, eran justo yendo a mirar en alguno marginal relaciones
con puntos en el grafico constructor,
y Soy capaz a elegir cualquier I desear.
Pero para ahora eran yendo a mirar específicamente en tres variable,
el primero ser puntos por juego.
Entonces nosotros ver aquí, nosotros tener a moderado relación
con puntos y puntos por juego, y él es positivo como nosotros haría esperar.
El promedio puntos eso alguien pone arriba en a juego,
o encima el curso de el estación bastante, es yendo a obviamente influencia
cómo muchos puntos ellos puntaje en a juego.
Similarmente, algo como uso tasa,
el avanzado Estadísticas eso I era que se discute más temprano,
también tiene a positivo relación,
justo levemente más débil que el relación entre puntos y puntos por juego.
Finalmente, si nosotros mirar en alguno de el carrera estadísticas,
si nosotros mirar en carrera puntos por juego, entonces de nuevo nosotros ver a positivo relación,
pero eso es a pequeño poco más débil porque es promediado encima el curso
de a del jugador carrera bastante que el estación eso eran actualmente en.
Pero con un poco de suerte este podría ayuda ajustar para alguno importante diferencias
en el puntos por juego totales o promedios bastante.
Entonces ahora eso nosotros tener un tipo de un idea de el datos sí mismo,
nosotros poder mover en el simple lineal regresión
con puntos por puntos por juego como a punto de referencia para este modelo.
Entonces como I mencionado,
tú poder predecir basado en justo puntos por juego
y él voluntad dar tú a decente predicción.
Pero eran mirando a mejorar eso predicción por agregando
alguno de estos diferente variable, ofensivo y defensivo.
Entonces si nosotros correr este guion aquí,
este es justo comparando alguno carreras de a simple lineal regresión
en el capacitación y validación colocar usando KPliegues validación a lo largo de.
Y si I correr aquí usando el Oculto Validación 2 columna
eso Enfermo ser usando para el resto de estos modelos,
entonces nosotros poder ver el regresión aquí.
Entonces aquí está a regresión trama. Él aspecto bonito disperso.
hay no a claro lineal relación, pero el RS cuadrado es moderado,
significado eso 46,5 por ciento de el variación en puntos es contabilizado para
por este promedio puntos por juego, cual es bonito bien.
Y el Error cuadrático medio de la raíz es acerca de 5. 27
El Error cuadrático medio de la raíz es el estándar desviación de el residual,
entonces es esencialmente el variación en cómo Bueno nuestro modelo es predecir
Es estándar desviación es alrededor cinco.
Y nosotros poder también mirar en alguno otro medidas,
semejante como el AIC, cual es usado a comparar modelos para previsibilidad
Entonces AIC es otro importante medida,
y él medidas cómo Bueno el modelo voluntad predecir
relativo a el número de predictores poner en el modelo,
justo a hacer seguro estás no agregando forma también muchos.
Entonces en este caso, el AIC es muy alto, y nosotros poder venir atrás a este número
como nosotros mirar en el comparación entre este y el múltiple lineal regresión
eso I voluntad espectáculo más tarde.
Entonces mientras I era intentando a elegir el modelo eso I era yendo a elegir,
I decidido a usar el modelo poner en pantalla característica en JMP,
cual permite tú a seleccionar su respuesta Variables y todo el factor variables
I terminó arriba poniendo en todo de el numérico Variables eso I tenía para a lleno modelo
justo a ver inicialmente cual modelos llevar a cabo el mejor.
Y I era capaz a elegir de a variedad de estos diferente métodos,
incluido XGB fuera y R generalizada salida,
y entonces de curso, justo el normal Alquiler Cuadrado.
En el interés de tiempo, este haría llevar para siempre a correr
porque es usando alguno de estos máquina aprendiendo algoritmos
Entonces Soy en cambio justo yendo a jalar arriba un rápido captura de pantalla de el modelo poner en pantalla.
Entonces aquí nosotros tener el producción de este modelo poner en pantalla.
Él espectáculos el RS cuadrado
De nuevo, I era usando KDoblar validación con diez pliegues aquí.
Entonces este espectáculos el RS cuadrado
y el Raíz M ean Cuadrado Error para cada correr.
Entonces nosotros poder ver eso el El menos Cuadrado Adaptar de hecho tenía
a muy fuerte adaptar comparado a alguno de el máquina aprendiendo algoritmos,
cual I era sorprendido por. Pero él de hecho ayuda para interpretabilidad
porque alguno de estos máquina aprendiendo algoritmos,
ellos son más de a negro caja. Y si I eran a usar aquellos,
él no lo haría ser como fácil a interpretar el coeficientes o ver
cual Variables son realmente significativo
o cual son justo ser usado para predicción.
Entonces porque el ajuste de Mínimos cuadrados y el regresión de lazo,
cual Enfermo conseguir en a pequeño poco más tarde, eran entonces alto,
es de hecho a bien firmar eso Soy capaz a usar eso para mejor interpretabilidad.
Entonces como nosotros poder ver, el mayoría preciso modelo es este múltiple lineal regresión
con Lazo Regularización.
Lazo regularización es a estadístico técnica eso regulariza el modelo
y selecciona características a minimizar multicolinealidad.
multicolinealidad es el correlación entre predictores
y eso poder negativamente afectar el modelo.
Entonces usando este técnica,
eran capaz a llevar el lleno lineal regresión modelo mostrado aquí
y eliminar alguno de el Variables a minimizar el multicolinealidad
y tal vez satisfacer alguno de el lineal suposiciones mejor.
Entonces con eso información,
I era capaz a llevar el Variables seleccionado con Lazo regularización
y entonces crear a múltiple lineal regresión usando aquellos variables
Entonces como tú poder ver aquí,
el Actual por Predicho Trama aspecto bonito similar.
Él podría ser levemente cerca a el línea de mejor adaptar aquí, cual es a bien firmar.
Y nosotros poder ver nuestro efecto resúmenes,
pero eran yendo a Desplazarse a pequeño poco pasado eso
entonces eso nosotros conseguir a el resumen de nuestro adaptar.
Entonces comparado a el simple lineal regresión,
el RS cuadrado y el Equilibrado RS cuadrado son muy similar y eso es probablemente
porque puntos por juego es semejante a fuertemente influyente factor en este,
como Bueno como el simple lineal regresión, obviamente.
Entonces el adaptar es no también mucho diferente.
Sin embargo, agregando estos diferente Variables mostrado aquí hace mejorar
el Raíz M ean Cuadrado Error a pequeño poco.
Él fue de acerca de 5.3 a pequeño encima 5.2, cual es no a drástico mejora,
pero un mejora sin embargo.
Pero el real diferencia aquí es en el AIC y comparando estos modelos en términos
de su previsibilidad, el AIC abandonó significativamente
de el simple lineal regresión a este múltiple lineal regresión
con Lazo R eularización, cual es definitivamente a bien firmar.
Nosotros ver alguno de estos Parámetro Estimados abajo aquí y de curso el resultados
para RS cuadrado y Raíz Significar Cuadrado Error en cruz validación.
Entonces mirando en alguno de estos Parámetro E estima,
el puntos por juego, de nuevo muy significativo,
es significativo en el .05 un alfa nivel y muchos abajo eso.
Y este es a ser esperado, como hemos explicado ya.
Rotación porcentaje es también significativo
y este tiene a negativo relación con puntos.
Como uno haría esperar, si estás torneado el pelota encima más,
eso es menos oportunidades a disparar el pelota,
menos oportunidades a puntaje.
Entonces eso cheques afuera con justo nuestro conocimiento de baloncesto.
Aquí nosotros tener el defensivo paso, o el paso de el defensivo equipo,
y este tiene a levemente positivo relación con puntos condicional
en el otro factores en el modelo.
De nuevo, eso es a ser esperado porque el más rápido a equipo obras de teatro,
eso es generalmente más posibilidades
Sin embargo, él podría no tener semejante a fuerte efecto como pérdidas de balón o puntos por juego.
Y entonces finalmente, defensivo rebotando porcentaje.
Este es justo cómo a menudo el defensivo equipo lances el defensivo rebote.
De nuevo, este es previniendo segundo oportunidad puntos para el ofensa,
entonces él debería tener a negativo relación barco, cual él hace.
Entonces todo estos cosas controlar afuera,
y entonces alguno de estos otro Variables son insignificante condicionalmente,
pero incluido porque ellos mejorar el previsibilidad de el modelo.
Entonces algo como uso tasa podría no ser significativo en el .05 nivel,
pero él sin embargo mejora nuestro predicciones
Ahora, conocimiento eso puntos por juego podría no ser disponible
en el comienzo de el estación, a el medida eso él es
cerca el fin de el estación,
significado eso puntos por juego podría ser a pequeño menos confiable
con a menor muestra tamaño.
Identificación mirar a crear un alterno modelo sin eso
a ver si I podría aún predecir
mejor que el simple lineal regresión y similar a el Lazo regresión,
pero sin dependencia en a puntos por juego para el estación medida.
Entonces este alterno modelo, I creado usando hacia atrás selección por AIC.
Y de nuevo I izquierda afuera el estación puntos por juego,
entonces él aún incluye el otro puntos por juego mediciones,
o otro por juego mediciones bastante,
como goles de campo intentó de tres y de dos,
cual a lo largo de con alguno de estos otro Variables poder ser a apoderado para
eso promedio puntos por juego.
Entonces él' s no completamente robusto contra temprano estación fluctuaciones
y pequeño muestra tamaños
Pero es posible eso estos Variables podría ser a pequeño poco más representante
de cómo a jugador es yendo a llevar a cabo en el largo correr.
Soy pensamiento eso tal vez
jugadores podría ser a pequeño más coherente con su intentó estadísticas,
o el tasa en cual ellos son tiroteo el pelota,
bastante que justo el cantidad de puntos ellos conseguir eso podría variar basado en
justo a pequeño muestra tamaño.
Estos podría como Bueno pero...
Justo usando este modelo como un alternativa,
y él vueltas afuera eso él de hecho predice
bonito similarmente a el modelo con puntos por juego en él.
Entonces él podría no ser favorecido necesariamente si puntos por juego es disponible.
Inadecuado pero él proporciona a similar predicción.
Entonces nosotros poder ver eso el RS cuadrado es bonito similar,
puede tener aumentó a pequeño poco,
y el Raíz Significar Cuadrado Error es de nuevo similar.
El AIC sugiere eso el otro modelo es a mejor modelo para prediciendo
basado en el cantidad de Variables incluido, entonces eso es definitivamente algo a nota.
Pero cada modelo tiene es ventajas
Este uno, particularmente,
nosotros poder ver alguno de el condicional relaciones de el otro variable,
particularmente aquellos en el defensivo lado, eso nosotros no pude ver como mucho
en el otro uno porque puntos por juego era dominante entonces mucho.
Entonces nosotros ver aquí eso dos punteros y tres punteros intentó
son peso insignificantemente para puntos, cual de nuevo,
eso marcas sentido porque el más tiros estás tomando,
el más probable tú son a puntaje más puntos.
Y entonces allá son alguno otro Variables eso hacer sentido,
y alguno otros eso tal vez área pequeño confuso en primero vista.
Entonces ofensivo ganar acciones,
eso ser a significativo variable marcas sentido eso es medición
cómo mucho a jugador es contribuyendo a gana en el ofensivo lado,
él marcas sentido eso eso tiene a positivo relación
como nosotros poder ver abajo aquí.
Entonces ofensivo ganar acciones bien aquí tiene a positivo relación.
Y también el defensivo rebotando porcentaje abajo aquí
disminuye el Estimacion de nuevo, entonces eso es bonito coherente
con qué hemos visto en el anterior modelo.
Promedio faltas por juego, promedio personal faltas por juego abajo aquí,
tiene a negativo efecto que pensé era interesante.
Entonces a jugador o equipo con a más alto falta total
es yendo a negativamente afectar el puntos anotó para el ofensivo jugador.
Este podría significar ellos son más agresivo.
I haría asumir eso ellos son jugando mas intenso defensa en limitando puntos
a través de roba, bloques, o fuertemente disputado tiros,
y como a resultado, ellos son conseguir más faltas llamado en a ellos.
Sin embargo, este es no todo bien para el defensa
porque desde el jugador poder falta afuera con seis faltas,
allá es a cierto balance a huelga en el extremo defensivo.
Tú no desear a ser también agresivo
porque entonces tú podría ser donación arriba más fácil puntos
o tú podría ser principal su jugadores en falta problema.
Entonces eso es un interesante variable, I pensar, a considerar.
Y de curso, este es a condicional significado,
entonces él podría cambiar levemente basado en el eliminación
o suma de cierto otro variables
Y finalmente, a pareja de defensivo relaciones
son particularmente confuso en primero mirada, I pensar.
Específicamente implicando bloques y defensor altura.
Entonces nosotros pensar de baloncesto como siendo muy dependiente en altura.
Si tú son más alto, estás más probable a ir a el NBA.
Siete pies de página, I pensar tú tener a 20 por ciento oportunidad
de justo yendo a el NBA incluso si tú son siete pies
Entonces este es algo eso nosotros pensar, si usted bloquear tiros más y estás más alto,
estás yendo a ser conmovedor el ofensa puntos negativamente.
Sin embargo, nosotros ver eso estos relaciones son de hecho condicionalmente positivo,
cual es muy interesante ese promedio bloques por juego
y el defensor altura, como Bueno como el bloqueando tasa,
son todo positivo relaciones
Y entonces inicialmente, I era confundido por este, pero I pensar este tiene más a di sobre
el jugadores eso estos jugadores son protegiendo bastante que
el actual Variables ellos mismos.
Entonces qué I significar por este es cuando tú consideras eso más alto jugadores
con mejor bloqueando estadísticas son grande hombres jugando fuerza adelante o centro,
ellos son protegiendo otro grande hombres.
Y entonces eso marcas sentido a pequeño poco más.
guardias tender a poner arriba más puntos en el NBA con el énfasis
en tres- punto tiroteo ahora.
Y a lote de ofensas son correr a través de alguno de estos menor jugadores
OMS tender a ser guardado por otro menor jugadores
Mientras estos más alto jugadores, con más bloques,
son protegiendo grande hombres OMS tal vez no son el focal punto de el ofensa,
aparte de cierto jugadores como Jokić y Embiid y Giannis.
Pero este causas a positivo relación,
pero es en realidad más a función de el posición
eso estos jugadores son jugando.
Entonces I pensamiento eso era un interesante
condicional relación a destacar dentro el modelo,
y él implica a pequeño poco más Más adentro pensamiento acerca de el relación entre
bloqueando, altura, y el puntos eso un ofensivo jugador pone arriba.
Entonces en términos de el modelo en general,
nosotros poder ver eso este uno y el Lazo regularizado modelo
son muy similar en su predicciones
Bien ver eso en más detalle pronto cuando I voltear a el 2021 predicciones,
pero el elección entonces podría no ser también significativo.
Ambos tener su ventajas
De curso, este uno permite a nosotros a ver el significado de más de el variable,
específicamente el defensivo variable,
mientras el primero uno tiene a levemente más bajo AIC
y podría ser mejor para predicciones si el datos es disponible.
Entonces ambos dejar a pequeño poco a ser deseado
en términos de prediciendo mucho más seguramente que el simple lineal regresión.
I haría tener apreciado a ver este Raíz Medio cuadrado Error disminuir más,
y es algo I haría mirar en como I continuar este proyecto,
mirando a recolectar mejor datos, intentando a hacer el enfrentamientos
más individualizado sin sacrificando el normalidad de el respuesta variable,
cosas como eso.
Pero con eso ser dicho, estos son el modelos eso I tener ahora,
y nosotros poder mirar a prueba estos en el 2021 estación de este modo lejos.
Entonces si I cambiar encima aquí hacia enfrentamientos para 2021,
nosotros tener el mismo datos mesa justo con este años emparejamientos
Y entonces Soy justo en jose de hart enfrentamientos bien ahora
porque I ir a Villanueva y él es a Villanova genial,
entonces aquí nosotros tener a él como a jugador, su equipo, y el defensivo equipos,
su estadísticas, su estadísticas
Como hemos ya visto, estos son todo el Variables
eso podría ser incluido en el modelo.
Disculparse para el rápido panorámica,
pero aquí nosotros tener el predicciones en el fin.
Entonces estos predicción variable, o bastante estos columnas,
son el modelo predicciones
Entonces nuestro primero uno, nuestro primero modelo, es el Óptimo Múltiples L en el oido Regresión
eso es usando el Lazo regresión y incluido el puntos por juego variable.
Como tú poder ver en este juego,
él es predicho a poner arriba 12.8 puntos y el residual aquí es acerca de cinco.
Entonces en realidad este residual es el puntos menos el predicción.
Entonces él de hecho poner arriba, este es alrededor 13 y este es alrededor cinco,
entonces él poner arriba acerca de 18 puntos aquí en cambio de nuestro predicho 13
Entonces eso es obviamente no a excelente medida.
Y entonces nosotros poder mirar en algunos de el alternativa modelo.
El alternativa modelo predicción es muy similar,
y nosotros voluntad ver este en mayor que detalle como I voltear atrás a el PowerPoint y espectáculo tú
amable de a condensado versión de este datos mesa,
porque bien ahora I saber eso este en JMP es a pequeño poco abrumador
porque hay entonces muchos variable, entonces muchos aleatorio números
ser arrojado en tú.
Entonces Soy yendo a cambiar atrás
en el PowerPoint a espectáculo tú alguno de el predicciones
para ambos jose Ciervo aquí y para Kevin Durant.
Todo bien, entonces ahora eso nosotros tener nuestro dos modelos
y el simple lineal regresión a comparar él a,
nosotros poder aplicar estos predicciones a juegos eso Kevin Durant tiene jugó este estación.
Entonces aquí son cuatro juegos jugado en atlanta, charlotte, chicago, y Cleveland.
En el primero uno, él anotó 31 puntos.
En realidad, ambos nuestro modelos predicho cerca a 26 puntos,
entonces el residual es justo alrededor cinco.
Sin embargo, nosotros ver eso cuando kevin Durant es cerca a su promedio puntos
alrededor 28 o 29 puntos por juego,
cuando él de hecho puntuaciones eso, el predicciones son muy cerca
porque puntos por juego pesa entonces fuertemente en estos modelos
Entonces, para ejemplo, en este cleveland juego,
nuestro primero modelo predicho 26.2 puntos, él de hecho anotó 27
Por lo tanto, el residual es menos que uno.
Y similarmente aquí, el derechos residuales de autor menos que uno
para el alternativa modelo como Bueno.
Entonces nosotros ver eso el modelo sobresale cuando jugadores llevar a cabo cerca a promedio,
cual ellos voluntad hacer mayoría de el tiempo. Pero hay obviamente variación,
como en este juego contra charlotte, él tenía a particularmente bien juego.
Él anotó 38 puntos.
Es a excelente juego, pero particularmente bien juego por Kevin Durant estándares
Y entonces el modelo predicciones son mucho más lejos apagado.
Y nosotros ver el mismo cosa con jose Ciervo.
Su puntos promedio a pequeño poco más bajo porque él, de nuevo, lleva a encendedor carga.
Kevin Durant es a estrella jugador en el redes,
entonces él es conseguir a lote de toca y tomando a bien parte de aquellos tiros
Entonces aquí nosotros tener de hart producción.
De nuevo, su puntos promedio está más cerca a estos 12 y 14 rango.
Entonces el derechos residuales de autor aquí son muy pequeño.
Cuando él pone arriba 14,
nuestro modelos predicho alrededor 13.5 y el derechos residuales de autor son alrededor de .5 .
Entonces nosotros tener en realidad bien predicciones para cuando él puntuaciones
un promedio cantidad de puntos o cerca a un promedio cantidad de puntos.
Pero cuando él puntuaciones menos o mucho mayor que
entonces el predicciones tender a sufrir a pequeño poco.
Entonces con todo este ser dicho, I saber I corrió a través de estos modelos
Vamos llevar a paso atrás y mirar en el limitaciones en detalle
y alguno más estudiar eso I podría abarcar.
Entonces primero de todo, estos son usando promedios por el ofensivo jugador y defensivo equipo
como opuesto a ofensivo jugador y individual jugador.
Como He mencionado, eso haría ser el ideal guión,
pero como I era haciendo él, él no trabajar afuera como eso.
Entonces eso podría ser causando alguno problemas porque es duplicando alguno resultados.
En cambio de ser clasificar de a uno a uno,
si a jugador es ser guardado por este jugador,
este es cómo muchos puntos ellos voluntad puntaje.
Si a jugador es ser guardado por a combinación de jugadores en este equipo,
este es cómo muchos puntos ellos voluntad puntaje.
Entonces es más fácil a predecir pero tal vez a pequeño menos preciso.
Además, el promedios son para el completo estación,
cual medio predicciones hacia el comienzo puede ser menos preciso,
como I mencionado, cual es algo eso I pensar el carrera valores
intentar a recurso a pequeño poco.
Él podría ser valer agregando cosas como puntos por juego
en el estación Variables con a retraso de tal vez cinco estaciones.
Entonces tomando el promedio puntos por juego para el último estación, dos estaciones atrás,
tres estaciones atrás, y entonces en a intentar a agregar alguno más Variables
y tal vez predecir a tiempo o a tendencia en jugador actuación.
Además, jugador actuación es dependiente en incontable otro factores
semejante como frío o caliente manchas,
cómo Bueno ellos han estado ejecutando como de tarde,
lesiones en su propio equipo, Lesiones en el oponerse equipo
eso podría aumentar o disminuir su role,
menor lesiones eso ellos son relación comercial con ellos mismos
eso podría disminuir o aumentar su role.
Y entonces cosas como descansar días,
viajar tiempo, y a lote de otro intangibles
como NBA jugadores son humano y nosotros todo saber alguno días eran no sentimiento el mejor,
otro días eran sentimiento excelente, más energético.
Aquellos tipos de cosas podría dirigir a mejor actuación o peor actuación.
Entonces estos intangibles son
no yendo a ser algo eso I poder factor en el modelo
pero es importante a reconocer eso ellos podría aún afectar
el puntos en a dado juego.
En términos de más estudiar,
I haría amar a amable de rectificar todo estos limitaciones
y mirar a predecir a más holístico variable
semejante como ofensivo clasificación.
Entonces ofensivo clasificación es yendo a predecir a del jugador puntos por 100 posesiones
contribuido a el juego en cambio de justo uno aspecto de el juego en puntos.
I haría amar a predecir algo como este o voltear él a el defensivo lado
y predecir a defensivo clasificación basado en OMS ellos son probable
a ir arriba contra en ofensa.
Entonces algo como eso I pensar haría ser en realidad Frío
y él haría extender el solicitud de este más hacia entrenadores
y equipo analistas en cambio de tal vez alguno de el fantasía baloncesto jugadores
OMS son mirando para a estricto medición como puntos o algo como eso.
Entonces con todo este ser dicho,
Soy definitivamente yendo a continuar laboral en este proyecto.
Él era a lote de divertido y I amar mirando en estos modelos
y interpretando de a baloncesto punto de vista qué yendo en.
Si tú tener cualquier preguntas, por favor sentir gratis a poner aquellos preguntas
en mi comunidad correo en el comentarios Enfermo ser feliz a respuesta a ellos.
Y si tú tener cualquier sugerencias como Bueno para más estudiar,
I haría también ser feliz a llevar aquellos en. Agradecer tú entonces mucho su tiempo.
