こんにちは、みんな。 私の名前はケビンオドネル。
わたしはa JMPグローバルカスタマー リファレンス インターン、
と今日病気なれ提示するの上a個人的分析計画
それか私は終わりそれかはのNBAプレーヤー対戦モデル。
それでただに得る始めた、
私だろう好きに行く以上私のアイディアとの動機ために建物のモデル。
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私の全体人生、
と私だった見ているためにa新しい分析計画に運転の中へ、
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プレーヤーの攻撃成功
ベースの上彼らの平均との強さの彼らの対戦相手として良い？
それでとして多くのの私たち知るから見ているどれでもスポーツ、
プレーヤーパフォーマンス不定大いにからゲームにゲーム。
これはベースの上aバラエティの要因
と一のこれらはであることaプレーヤーの平均ポイント。
それか意思なれaとても強い予測者ためにポイントのをNBAゲーム、
しかしこれは遠いからのそれだけ影響の上aプレーヤーの攻撃パフォーマンス。
それで行きますの中へこれ計画、
私欲しかったに建てるaモデルそれか予測したのプレーヤーポイントののゲーム
ベースの上の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ての中への上の次滑り台。
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ー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
ベースの上彼らのマッチUPSと悪徳逆に、どれのの彼らのプレーヤー彼らそうかもしれない欲しい
に避けるの上犯罪なぜなら彼らはであること守られた
にいくつかののの一番防御的なプレーヤーの上の他のチーム。
これは知らせる遊ぶ呼び出しとゲーム企画、
それでもしもa特に擁護者は弱く、コーチ5月見てに目標それかマッチ上
また見てに力aスイッチ上に彼らの一番得点者。
のの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ーヤーできる使用これデータに形外
WHOに始めるまたWHOに選ぶ上オフの権利放棄ワイヤー、
それでそれもっているaブロード範囲のアプリケーション。
それでここですa少し少しのの概要ののデータ。
病気行く終えたこれ素早く、そして、私たちは見るこれとして私行く
の中へのJMPデモa少し少しもっとの詳細、
しかしそうだった行きますに予測するポイントあたりゲームベースの上セブン主要カテゴリーのデータ。
それでそうだった行きますに使用プレーヤー攻撃平均ためにの季節、
これ含むもの好きポイントあたりゲーム、
3.2点パーセンテージ、と高度指標そのようなとして使用法レート、
どれの記録どうやって頻繁を攻撃プレーヤーは使用済みの上彼らのチーム。
プレーヤー属性そのようなとして身長、羽スパン、垂直跳躍
意思またなれ含まれているために両方の攻撃と防御的なプレーヤー
なぜならこれらは物理的属性、私だろう推定、また助ける
にどうやって多くのポイントaプレーヤー意思スコア。
ついに、の条項のの攻撃プレーヤー、
良い使用キャリア平均。
の同じ平均それかそうだった使用してためにの季節、
良いまた使用ためにのキャリアに追加a少しもっと堅牢性にのモデル、
と全体チームペースと攻撃リバウンドパーセンテージ
はまた行きますになれa予測者なぜならそれか意思決定
どうやって多くの所有物そこには意思なれ。
もしもそこにはそれはもっと所有物ののゲーム、これはもっとおそらくそれかどれでも与えられたプレーヤー
意思もつもっとポイント。
等々それか同じトークン、防御的なチームペース
と防御的なリバウンドパーセンテージ意思またなれ使用済み。
の条項の個人防御的な統計、もの好き盗む、ブロック、ファウル、
と他の高度指標そのようなとして防御的な株を獲得し、どれの対策
を個人プレーヤーの貢献にのチームの勝つの上防衛。
それらのそれはまた行きますになれ予測因子に
おそらく否定するの額のポイントそれかそれは得点したにを攻撃プレーヤー。
とそれからついに、の擁護者属性意思なれ使用済みとして私言及されたついさっき。
それで前私たち得る右の中へのデータとのモデリングとJMP、
私だろう好きに行く以上のマッチするデータそれか私だった使用して
ためにのバルクののモデル。
それでのNBA最近実装されたいくつかの新しい個人的マッチ上データコレクション
とこれはベースの上詳細なプレーヤー追跡。
それでそれトラックの最も近い擁護者で毎日点、
いいえただの主要な擁護者の上a遊ぶ。
それそれだけトラック正面裁判所時間とそれ意思追跡部分的所有物。
それで何これ意味はそれかaプレーヤーできるなれ守られたに
として多くのとして五違うプレーヤーの上a独身遊ぶ、
と各擁護者だろうなれ受賞のそれぞれ額
のマッチする分ためにそれか所持。
それでここ私たちもつを例のテリーロジエためにのホーネッツ
であること守られたに四違うプレーヤーの上違うチーム。
のの初め行、ステフカレーは守っている彼
のそれだけ一ゲームために2.7分と許可された二ポイント。
それでもしも私たち考えのa仮説的などこのホーネッツそれは遊んでいる
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エために10秒、
とそれからクレイトンプソン切り替えたの上にロジエために別10秒、
両方だろうなれ受賞それらの10秒のマッチする時間。
しかし、もしもロジエ得点したa二ポインターでの終わりのこれ所持、
の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の問題いつ私は試したにモデルのポイントあたり分
ために各プレーヤーと擁護者組み合わせ、どれのだった私のオリジナルプラン。
それで私だった元は行きますに使用の攻撃プレーヤー統計
と防御的なプレーヤー統計それか私言及されたのの前滑り台
の毎日個人マッチする。
しかし以来多くの擁護者、好きあなたは見るここ、
記録されたとても小さい金額の時間、
好きスタンリージョンソンそれだけ守られたロジエためにを平均の下一分aゲーム、
それはいいえ十分時間
ためにいくつかののこれらはポイントあたり分測定値になれ普通。
それで行きます戻るにそれかクレイトンプソン仮説的な、
もしもクレイそれだけ守られたロジエために10秒の全体ゲーム
とロジエ持つにスコア二ポイントのそれか所持、
それからロジエのポイントあたり分に対してクレイのそれか行だろうなれ12.
それで明らかに、外挿それかにa満杯ゲーム、
平除外の戻る裁判所時間としてこれデータする、これはとても非現実的。
それで私もっていたに行くとa少し違う、以下理想アプローチ。
その代わりの使用しての個人防御的な統計、
私実際平均した彼ら外
ために各組み合わせのプレーヤーと防御的なチーム。
それでその代わりの使用してロジエ対カレーとロジエ対トンプソン、
私だろう使用ロジエ対の全体ゴールデン州ウォリアーズ平均ベースの上
の額のマッチする分それか各プレーヤー防御したロジエ。
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の額
の可能マッチ上分、それからのチーム平均、
しましょう言う盗むあたりゲーム、だろうただなれの算術平均
のカレー盗むとクレイ盗むあたりゲーム。
の同じだろう行くために毎日防御的な変数
とそれは明らかにa単純例、
しかしの同じ行きます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します
の個性ののマッチする。
しかし私もっていたに放棄するそれかポイントあたり分アプローチ
なぜならのサンプルそうだったそれも小さいとの応答だった重く歪。
それでこれモデルそれか私は作成したとの集約されたデータはもっと正確
よりも私のイニシャル試み、平けれどそれ犠牲いくつかの個性。
それででこれ点、わたしは行きますにスイッチの中へJMPここ
とするa少し少しののデモどうやって私造られたのモデル
といくつかの探索的なデータ分析に始める。
それでに始める、そうだったただ行きますに見てでいくつかの限界関係
とポイントののグラフビルダー、
とわたしはできるに選ぶどれでも私欲しい。
しかしために今そうだった行きますに見て具体的にはで三つ変数、
の初め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、私たちもつ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として私たちだろう予想。
の平均ポイントそれか誰か置く上のaゲーム、
また以上のコースのの季節それよりも、は行きますに明らかに影響
どうやって多くのポイント彼らスコアのaゲーム。
同様に、何か好き使用法レート、
の高度統計それか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の関係間ポイントとポイントあたりゲーム。
ついに、もしも私たち見てでいくつかのののキャリア統計、
もしも私たち見て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、
しかしそれかはa少し少し弱いなぜならこれは平均した以上のコース
のaプレーヤーのキャリアそれよりもよりもの季節それかそうだった現在の。
しかしうまくいけばこれできるヘルプ調整ためにいくつかの選考科目違い
ののポイントあたりゲーム合計また平均それよりも。
それで今それか私たちもつ一種ののをアイディアののデータ自体、
私たちできる動くの中への単純線形回帰
とポイントにポイントあたりゲームとしてa基準ためにこれモデル。
それでとして私言及された、
あなたできる予測するベースの上ただポイントあたりゲーム
とそれ意思与えるあなたaちゃんとした予測。
しかしそうだった見ているに向上それか予測に追加
いくつかののこれらは違う変数、攻撃と守備的。
それでもしも私たち走るこれ脚本ここ、
これはただ比較するいくつかの走るのa単純線形回帰
の上のトレーニングと検証設定使用してKFolds検証全体を通して。
ともしも私走るここ使用しての隠れた検証 2桁
それか病気なれ使用してためにの残りのこれらはモデル、
それから私たちできる見るの回帰ここ。
それでここですa回帰プロット。 そ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、しかしのRS広場は適度、
意味それか46.5パーセントのの変化のポイントは計上されたために
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。
との二乗平均平方根誤差はだいたい5. 27.
の二乗平均平方根誤差それは標準偏差のの残留物、
それでこれは本質的にの変化のどうやって良い私たちのモデルは予測します。
これは標準偏差はその周り五。
と私たちできるまた見てでいくつかの他の対策、
そのようなとしてのAIC、どれのは使用済み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のモデル意思予測する
相対的にの番号の予測因子置くののモデル、
ただに作るもちろんあなたはいいえ追加道それも多くの。
それでのこれ場合、のAICはとても高い、と私たちできる来て戻るにこれ番号
として私たち見てでの比較間これとの多数線形回帰
それか私意思見せる後で。
それでその間私だったしようとしているに選ぶのモデルそれか私だった行きますに選ぶ、
私決めたに使用のモデルふるい分け特徴のJMP、
どれの許可しますあなたに選択するあなたの応答変数と全ての要素変数。
私終了しました上パッティングの全てのの数値変数それか私もっていたためにa満杯モデル
ただに見る最初はどれのモデル実行の一番。
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オストと一般化されたR退出、
とそれからのコース、ただの普通リース四角。
のの興味の時間、これだろう取った永遠にに走る
なぜならこれは使用していくつかののこれらはマシーン学ぶアルゴリズム。
それでわたしはその代わりただ行きますに引く上クイックスクリーンショットののモデルふるい分け。
それでここ私たちもつの出力からこれモデルふるい分け。
それショーのRS広場。
また、私だった使用してKフォールド検証と十ひだここ。
それでこれショーのRS広場
とのルート Mイアン四角エラーために各走る。
それで私たちできる見るそれかの少しでも四角フィット実際もっていた
aとても強いフィット比較したにいくつかのののマシーン学ぶアルゴリズム、
どれの私だった驚いたに。 しかしそれ実際役立ちますために解釈可能性
なぜならいくつかののこれらはマシーン学ぶアルゴリズム、
彼らはもっとのa黒箱。 ともしも私そうだったに使用それらの、
それしませんなれとして簡単に解釈の係数また見る
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使用済みために予測。
それでなぜならのの適合最小二乗とのラッソ回帰、
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a良いサインそれかわたしはできるに使用それかためにより良い解釈可能性。
それでとして私たちできる見る、の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統計技術それか正則化するのモデル
と選択する特徴に最小化多重共線性。
多重共線性はの相関間予測因子
とそれかできる否定的に影響のモデル。
それで使用してこれ技術、
そうだったできるに取ったの満杯線形回帰モデル示したここ
と削除いくつかののの変数に最小化の多重共線性
と多分満足いくつかののの線形仮定より良い。
それでとそれか情報、
私だったできるに取ったの変数選択済みとなげなわ正則化
とそれから作成a多数線形回帰使用してそれらの変数。
それでとしてあなたできる見るここ、
の実際に予測されたプロット見えるかわいい似ている。
それそうかもしれないなれ少しクローザーにの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きますにスクロールa少し少し過去それか
それでそれか私たち得るにのまとめの私たちのフィット。
それで比較したにの単純線形回帰、
のRS広場との調整済みRS広場それはとても似ているとそれはおそらく
なぜならポイントあたりゲームはそのようなa重く影響力のある要素のこれ、
として良いとしての単純線形回帰、明らかに。
それでのフィットはいいえそれも多くの違う。
しかし、追加これらは違う変数示したここします向上
のルートMイアン四角エラーa少し少し。
そ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抜本的な改善、
しかしを改善それにもかかわらず。
しかしの本物違いここはののAICと比較するこれらはモデルの条項
の彼らの予測可能性、のAIC落とした大幅
からの単純線形回帰にこれ多数線形回帰
となげなわR規則化、どれのは絶対a良いサイン。
私たち見るいくつかののこれらはパラメータ見積り下こことのコースの結果
ためにRS広場と根平均四角エラーのクロス検証。
それで見ているでいくつかののこれらはパラメータ E 、
のポイントあたりゲーム、またとても重要、
それは重要ですでの.05 aアルファレベルと多くの下それか。
とこれはになれ期待される、として私たちは説明したすでに。
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のボール以上もっと、
それは以下機会にシュートのボール、
以下機会にスコア。
それでそれか小切手外とただ私たちの知識のバスケットボール。
ここ私たちもつの防御的なペース、またのペースのの防御的なチーム、
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
の上の他の要因ののモデル。
また、それはになれ期待されるなぜならのもっと早くaチーム再生、
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もつそのようなa強い効果として売上高またポイントあたりゲーム。
とそれからついに、防御的なリバウンドパーセンテージ。
これはただどうやって頻繁の防御的なチーム運搬の防御的なリバウンド。
また、これは防止する2番チャンスポイントためにの犯罪、
それでそれしたほうがいいもつaネガティブ関係船、どれのそれします。
それで全てこれらはものチェック外、
とそれからいくつかののこれらは他の変数それは取るに足らない条件付きで、
しかし含まれているなぜなら彼ら向上の予測可能性ののモデル。
それで何か好き使用法レートそうかもしれないいいえなれ重要での.05レベル、
しかしそれそれでも改善する私たちの予測。
今、知っているそれか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
での始まりのの季節、にの範囲それかそれは
近くの終わりのの季節、
意味それか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。
私はしたい見てに作成を代わりのモデルそれなしそれか
に見るもしも私できるまだ予測する
より良いよりもの単純線形回帰と似ているにのなげなわ回帰、
しかしそれなし依存の上aポイントあたりゲームためにの季節測定。
それでこれ代わりのモデル、私作成した使用して後ろ向き選択にAIC。
とまた私左外の季節ポイントあたりゲーム、
それでそれまだ含むの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値それよりも、
好きフィールドゴール試みたから三つとから二、
どれの平行といくつかののこれらは他の変数できるなれaプロキシーために
それか平均ポイントあたりゲーム。
それでそれ' sいいえ完全に屈強に対して早い季節ゆらぎ
と小さいサンプルサイズ。
しかしこれは可能それか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プレーヤーは行きますに実行のの長さ走る。
わたしは考えそれか多分
プレー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試みた統計、
またのレートでどれの彼らは撮影のボール、
それよりもよりもただの額のポイント彼ら得るそれかできる変化ベースの上
ただa小さいサンプルサイズ。
これらはできるとして良いしかし...
ただ使用してこれモデルとしてを別、
とそれ曲がる外それかそれ実際予測する
かわいい同様ににの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まれた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かのRS広場はかわいい似ている、
5月もつ増加a少し少し、
との根平均四角エラーはまた似ている。
のAIC提案するそれかの他のモデルはaより良いモデルために予測する
ベースの上の額の変数含まれている、それでそれかは絶対何かにノート。
しかし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のの条件付き関係のの他の変数、
特にそれらのの上の防御的な側、それか私たちできなかった見るとして多くの
のの他の一なぜならポイントあたりゲームだった支配するそれで多くの。
それで私たち見るここそれか二ポインターと三つポインター試みた
それは計量取るに足らないためにポイント、どれのまた、
それか作ります検出なぜならのもっとショットあなたは取る、
のもっとおそらくあなたそれはにスコアもっとポイント。
とそれからそこにはそれはいくつかの他の変数それか作る検出、
といくつかのその他それか多分エリア少し紛らわしいで初め視力。
それで攻撃株を獲得し、
それかであることa重要変数作ります検出それは測定
どうやって多くのaプレーヤーは貢献するに勝つの上の攻撃側、
それ作ります検出それかそれかもっているaポジティブ関係
として私たちできる見る下ここ。
それで攻撃株式を獲得右ここもっているaポジティブ関係。
とまたの防御的なリバウンドパーセンテージ下ここ
減少するの推定また、それでそれかはかわいい一貫性のある
と何私たちは見たのの前モデル。
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ネガティブ効果私が考えただった面白い。
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
は行きますに否定的に影響のポイント得点したためにの攻撃プレーヤー。
これそうかもしれない平均彼らはもっと攻撃的。
私だろう推定それか彼らそれは遊んでいるより激しい防衛の制限するポイント
終えた盗む、ブロック、また重く争ったショット、
ととしてa結果、彼らは取得もっとファウルと呼ばれるの上彼ら。
しかし、これはいいえ全て良いためにの防衛
なぜなら以来のプレーヤーできるファウル外と六ファウル、
そこにははa特定バランスにストライクののディフェンスエンド。
あなたしないでください欲しいになれそれも攻撃的
なぜならそれからあなたできるなれ与える上より簡単にポイント
またあなたできるなれリーディングあなたのプレーヤーの中へファウル問題。
それでそれはを面白い変数、私考え、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少しベースの上の除去
また添加の特定他の変数。
とついに、 aカップルの防御的な関係
それは特に紛らわしいで初め一目、私考え。
具体的には関与するブロックと擁護者身長。
それで私たち考えのバスケットボールそのままとても依存の上身長。
もしもあなたそれは背が高く、あなたはもっとおそらくに行くにのNBA。
セブンフッター、私考えあなたもつa 20パーセントチャンス
のただ行きますにのNBA平もしもあなたそれは七フィート。
それでこれは何かそれか私たち考え、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く、
あなたは行きますになれ影響の犯罪のポイント否定的に。
しかし、私たち見るそれかこれらは関係それは実際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
との擁護者身長、として良いとしてのブロッキングレート、
それは全てポジティブ関係。
とそれで最初は、私だった混乱しているにこれ、しかし私考えこれもっているもっとにについて言う
のプレーヤーそれかこれらはプレーヤーそれは守っているそれよりもよりも
の実際変数彼ら自身。
それで何私平均にこれはいつあなたが考えるそれか背が高いプレーヤー
とより良いブロッキング統計それは大きい男性遊んでいる力前方また中心、
彼らは守っている他の大きい男性。
とそれでそれか作ります検出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のNBAとの強調
の上三つ-点撮影今。
とa多くの犯罪それは走る終えたいくつかののこれらは小さいプレーヤー
WHO傾向になれ守られたに他の小さいプレーヤー。
一方これらは背が高いプレーヤー、ともっとブロック、
それは守っている大きい男性WHO多分ではないのフォーカル点のの犯罪、
わきにから特定プレーヤー好きヨキッチとエンビードとヤニス。
しかしこれ原因aポジティブ関係、
しかしこれは本当もっとa関数のの位置
それかこれらはプレーヤーそれは遊んでいます。
それで私考えそれかだったを面白い
条件付き関係にハイライト内部のモデル、
とそれ含むa少し少しもっともっと深く考えだいたいの関係間
ブロッキング、身長、とのポイントそれかを攻撃プレーヤー置く上。
それでの条項ののモデル全体、
私たちできる見るそれかこれ一そしてなげなわは正規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。
良い見るそれかのもっと詳細すぐいつ私フリップにの2021年予測、
しかしの選択それからそうかもしれないいいえなれそれも重要。
両方もつ彼らの利点。
のコース、これ一許可します私たちに見るの意義のもっとのの変数、
具体的にはの防御的な変数、
一方の初め一もっている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のデータは利用可能。
それで両方離れるa少し少しになれ希望
の条項の予測する多くのもっと確実によりもの単純線形回帰。
私だろうもついいねに見るこれ根意味広場エラー下降もっと、
とこれは何か私だろう見ての中へとして私続くこれ計画、
見ているに集めるより良いデータ、しようとしているに作るの対戦
もっと個別化されたそれなし犠牲にするの正常のの応答変数、
もの好きそれか。
しかしとそれかであること言った、これらはそれはのモデルそれか私もつ今、
と私たちできる見てにテストこれらはの上の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、
私たちもつの同じデータテーブルただとこれ年の対戦。
とそれでわたしはただの上ジョシュハートの対戦右今
なぜなら私行くにビラノバと彼はaビラノバ、すごーい
それでここ私たちもつ彼としてaプレーヤー、彼のチーム、との防御的なチーム、
彼の統計、彼らの統計。
として私たちはすでに見た、これらはそれは全ての変数
それかできるなれ含まれているののモデル。
謝罪ためにの素早いパン、
しかしここ私たちもつの予測での終わり。
それでこれらは予測変数、またそれよりもこれらは列、
それはのモデル予測。
それで私たちの初め一、私たちの初めモデル、はの最適な複数L耳の中回帰
それは使用してのなげなわ回帰と含むのポイントあたりゲーム変数。
としてあなたできる見るのこれゲーム、
彼は予測したに置く上12.8ポイントとの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の予測。
それで彼実際置く上、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ポイントここその代わりの私たちの予測した13.
それでそれは明らかにいいえa素晴らしい測定。
とそれから私たちできる見てのいくつかでの別モデル。
の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として私フリップ戻るにのパワーポイントと見せるあなた
親切のa凝縮されたバージョンのこれデータテーブル、
なぜなら右今私知るそれかこれJMPではa少し少し圧倒的
なぜならありますそれで多くの変数、それで多くのランダム数字
であること投げたであなた。
それでわたしは行きますにスイッチ戻る
の中へのパワーポイントに見せるあなたいくつかののの予測
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。
全て右、それで今それか私たちもつ私たちの二モデル
との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か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。
のの初め一、彼得点した31ポイント。
の現実、両方私たちのモデル予測した近いに26ポイント、
それでの残差はただその周り五。
しかし、私たち見るそれかいつケビンデュラントは近い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、
いつ彼実際得点それか、の予測それはとても近い
なぜならポイントあたりゲーム重さそれで重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、
私たちの初めモデル予測した26.2ポイント、彼実際得点した27.
したがって、の残差は以下よりも一。
と同様にここ、の残りの以下よりも一
ためにの別モデルとして良い。
それで私たち見るそれかのモデル優れているいつプレーヤー実行近いに平均、
どれの彼ら意思する多くののの時間。 しかしあります明らかに変化、
好きのこれゲームに対してシャーロット、彼もっていたa特に良いゲーム。
彼得点した38ポイント。
これはa素晴らしいゲーム、しかし特に良いゲームにケビンデュラント規格。
とそれでのモデル予測それは多くのさらに遠くへオフ。
と私たち見るの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はまた、運ぶaライターロード。
ケビンデュラントはa星プレーヤーの上のネット、
それで彼は取得a多くの触れると取るa良い部分のそれらのショット。
それでここ私たちもつハートの製造。
また、彼のポイント平均近いですにこれらは12と14範囲。
それでの残差ここそれはとても小さい。
いつ彼置く上14,
私たちのモデル予測したその周り13.5との残差約0.5です.
それで私たちもつ本当良い予測ためにいつ彼得点
を平均額のポイントまた近いにを平均額のポイント。
しかしいつ彼得点以下また多くの大きい
それからの予測傾向に苦しむa少し少し。
それでと全てこれであること言った、私知る私走った終えたこれらはモデル。
しましょう取ったaステップ戻ると見てでの制限事項の詳細
といくつかのさらに遠く勉強それか私できる擁する。
それで初めの全て、これらはそれは使用して平均にの攻撃プレーヤーと防御的なチーム
として反対した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、それかだろうなれの理想シナリオ、
しかしとして私だったやっているそれ、それしませんでした仕事外好きそれか。
それでそれかできるなれ引き起こすいくつかの問題なぜならこれは複製いくつかの結果。
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、
これはどうやって多く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組み合わせのプレーヤーの上これチーム、
これはどうやって多く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、の平均それはためにの全体季節、
どれの意味予測向かっての始まり5月なれ以下正確、
として私言及された、どれのは何かそれか私考えのキャリア値
試すに療法a少し少し。
それできるなれ価値追加もの好きポイントあたりゲーム
のの季節変数とa遅れの多分五季節。
それで取るの平均ポイントあたりゲームためにの最後季節、二季節前、
三つ季節前、とそれでの上に試すに追加いくつかのもっと変数
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の上無数の他の要因
そのようなとして寒いまた熱い筋、
どうやって良い彼らはその間実行するとしての遅い、
けがの上彼らの自分のチーム、けがの上の反対するチーム
それかできる増加また下降彼らの役割、
マイナーけがそれか彼らそれは取引と彼ら自身
それかできる下降また増加彼らの役割。
とそれからもの好き休み日々、
旅行時間、とa多くの他の無形資産
好きNBAプレーヤーそれは人間と私たち全て知るいくつかの日々そうだったいいえフィーリングの一番、
他の日々そうだったフィーリング素晴らしい、もっとエネルギッシュ。
それらの種類のものできる鉛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
いいえ行きますになれ何かそれか私できる要素の中へのモデル
しかしこれは重要に認識それか彼らできるまだ影響
のポイントのa与えられたゲーム。
の条項のさらに遠く勉強、
私だろう愛に親切の修正する全てこれらは制限事項
と見てに予測するaもっとホリスティック変数
そのようなとして攻撃評価。
それで攻撃評価は行きますに予測するaプレーヤーのポイントあたり100所有物
貢献したにのゲームその代わりのただ一側面ののゲームのポイント。
私だろう愛に予測する何か好きこれまたフリップそれにの防御的な側
と予測するa防御的な評価ベースの上WHO彼らはおそらく
に行く上に対しての上犯罪。
それで何か好きそれか私考えだろうなれ本当いいね
とそれだろう拡張するの応用のこれもっと向かってコーチ
とチームアナリストその代わりの多分いくつかのののファンタジーバスケットボールプレーヤー
WHOそれは見ているためにa厳しい測定好きポイントまた何か好きそれか。
それでと全てこれであること言った、
わたしは絶対行きますに続く働くの上これ計画。
それだったa多くの楽しいと私愛見ているでこれらはモデル
と通訳からaバスケットボール立場なに行きますの上。
もしもあなたもつどれでも質問、お願いします感じられる無料に置くそれらの質問
の私のコミュニティ役職ののコメント。 病気なれハッピーに答え彼ら。
ともしもあなたもつどれでも提案として良いためにさらに遠く勉強、
私だろうまたなれハッピーに取ったそれらのの上。 感謝あなたそれで多くのあなたの時間。
