Bonjour, toutes les personnes. Mon Nom est Kévin O'Donnell.
je suis une JMP Global Stagiaire référence client,
et aujourd'hui je vais être en présentant au une personnel analytique projet
ce j'ai terminé ce est la NBA Joueur Modèle de correspondance.
Alors juste pour avoir a débuté,
je voudrais aimer pour va plus de ma idée et la motivations pour bâtiment la maquette.
j'ai toujours été incroyablement intéressé dans basket-ball.
j'ai été une énorme basket-ball ventilateur pour ma ensemble la vie,
et je a été en regardant pour une Nouveau analytique projet pour plonger dans,
alors je terminé en haut demander ce question ici:
Pouvait nous maquette une joueurs offensive Succès
basé au leur moyennes et la force de leur adversaires comme bien?
Alors comme plus de nous connaître à partir de en train de regarder quelconque sport,
joueur performance varie très à partir de Jeu pour Jeu.
C'est basé au une variété de les facteurs
et une de celles-ci être une joueurs moyen points.
Ce volonté être une très fort prédicteur pour points dans une NBA Jeu,
mais c'est loin à partir de la seulement influence au une joueurs offensive performance.
Alors Aller dans ce projet,
je voulait pour construire une maquette ce prédit la joueurs points dans la Jeu
basé au la points par Jeu,
mais également une parcelle de autre variables lequel nous volonté voir dans au la suivant faire glisser.
Alors idéalement, ce volonté être utile pour entraîneurs et équipe analystes pour,
pour Exemple, déterminer lequel de leur offensive joueurs sont probable
pour plus de effectuer ou pouvoir pour effectuer vraiment bien
basé au leur rencontre UPS et vice versa, lequel de leur joueurs elles ou ils pourrait vouloir
pour éviter au infraction car ils sont être gardé
par quelque de la meilleur défensive joueurs au la autre équipe.
Cela pourrait informer jouer appel et Jeu Planification,
alors si une particulier défenseur est plus faible, entraîneurs mai voir pour cible ce rencontre en haut
ou voir pour Obliger une changer sur leur meilleur buteur.
Dans la divertissement Royaume,
fantaisie basket-ball joueurs pouvait utiliser ce Les données pour chiffre en dehors
OMS pour démarrer ou OMS pour prendre en haut désactivé la Renoncer Fil,
alors ce a une large intervalle de applications.
Alors voici une peu bit de la Aperçu de la Les données.
je vais va par ce rapidement, et bien voir ce comme je va
dans la JMP démo une peu bit Suite dans détail,
mais étaient Aller pour prédire points par Jeu basé au Sept principale catégories de Les données.
Alors étaient Aller pour utiliser joueur offensive moyennes pour la saison,
ce comprend des choses aimer points par Jeu,
3.2 indiquer pourcentages, et Avancée métrique tel comme usage taux,
lequel enregistrements comment souvent une offensive joueur est utilisé au leur équipe.
Joueur les attributs tel comme la taille, aile envergure, verticale saut
volonté également être inclus pour tous les deux la offensive et défensive joueurs
car celles-ci physique les attributs, je voudrais supposer, également contribuer
pour comment de nombreux points une joueur volonté But.
Finalement, dans termes de la offensive joueurs,
bien utiliser carrière moyennes.
le même moyennes ce étaient en utilisant pour la saison,
bien également utiliser pour la carrière pour ajouter une peu Suite robustesse pour la maquette,
et globalement équipe rythme et offensive rebondir pourcentage
est également Aller pour être une prédicteur car ce volonté déterminer
comment de nombreux possessions là volonté être.
Si là sont Suite possessions dans la Jeu, c'est Suite probable ce quelconque étant donné joueur
volonté avoir Suite points.
Etc ce même jeton, défensive équipe rythme
et défensive rebondir pourcentage volonté également être utilisé.
Dans termes de individuel défensive Statistiques, des choses aimer vole, blocages, fautes,
et autre Avancée métrique tel comme défensive gagner des parts, lequel les mesures
une individuel joueurs contribution pour la l'équipe gagne au la défense.
Celles sont également Aller pour être prédicteurs pour
Probablement nier la montant de points ce sont marqué par une offensive joueur.
Et ensuite finalement, la défenseur les attributs volonté être utilisé comme je mentionné plus tôt.
Alors avant de nous avoir droit dans la Les données et la la modélisation et JMP,
je voudrais aimer pour va plus de la correspondre Les données ce je a été en utilisant
pour la masse de la maquette.
Alors la NBA récemment mis en œuvre quelque Nouveau personnel rencontre en haut Les données collection
et c'est basé au détaillé joueur suivi.
Alors ce des pistes la le plus proche défenseur à tous indiquer,
ne pas juste la primaire défenseur au une jouer.
Ce seulement des pistes de face rechercher temps et ce volonté Piste partiel possessions.
Alors Quel ce moyens est ce une joueur pouvait être gardé par
comme de nombreux comme cinq différent joueurs au une Célibataire jouer,
et chaque défenseur voudrais être récompensé la respectif montant
de correspondre minutes pour ce possession.
Alors ici nous avoir une Exemple de Éponge Rozier pour la Frelons
être gardé par quatre différent joueurs au différent équipes.
Dans la première ligne, Steph Curry est garde lui
dans seulement une Jeu pour 2.7 minutes et permis deux points.
Alors si nous pense de une hypothétique où la Frelons sont en jouant
Steph Curry's doré État Guerriers et Curry gardé Rozier pour dix secondes,
et ensuite Klay Thompson commuté au pour Rozier pour une autre dix secondes,
tous les deux voudrais être récompensé celles dix secondes de correspondre temps.
Cependant, si Rozier marqué une deux aiguille à la finir de ce possession,
la points voudrais être marqué pour Klay Thompson.
Ce est vraiment frais suivi Les données et je amour comment spécifique ce est,
mais ce a fait causer quelque problèmes lorsque J'ai essayé pour maquette la points par minute
pour chaque joueur et défenseur combinaison, lequel a été ma original planifier.
Alors je a été initialement Aller pour utiliser la offensive joueur Statistiques
et défensive joueur Statistiques ce je mentionné dans la précédent faire glisser
dans tous individuel correspondre.
Mais puisque de nombreux défenseurs, aimer tu vas voir ici,
connecté très petit les montants de temps,
aimer Stanley Johnson seulement gardé Rozier pour une moyen de en dessous de une minute une Jeu,
c'est ne pas assez temps
pour quelque de celles-ci points par minute des mesures pour être Ordinaire.
Alors Aller arrière pour ce Klay Thompson hypothétique,
si Klay seulement gardé Rozier pour dix secondes la ensemble Jeu
et Rozier ayant pour But deux points dans ce possession,
ensuite chez Rozier points par minute contre Klay dans ce ligne voudrais être 12.
Alors de toute évidence, extrapoler ce pour une plein Jeu,
même à l'exclusion la arrière rechercher temps comme ce Les données Est-ce que, c'est très irréaliste.
Alors je eu pour va avec une légèrement différent, moins idéal approcher.
À la place de en utilisant la individuel défensive Statistiques,
je en fait en moyenne leur en dehors
pour chaque combinaison de joueur et défensive équipe.
Alors au lieu de en utilisant Rozier contre Curry et Rozier contre Thompson,
je voudrais utiliser Rozier contre la tout doré État Guerriers moyen basé au
la montant de correspondre minutes ce chaque joueur défendu Rozier.
Alors pour Exemple,
si Steph Curry et Klay Thompson tous les deux gardé lui pour demi la montant
de possible rencontre en haut minutes, ensuite la équipe moyen,
allons dire vole par Jeu, voudrais juste être la arithmétique signifier
de Curry vole et Klay vole par Jeu.
le même voudrais va pour tous défensive variable
et c'est de toute évidence une Facile Exemple,
mais la même va pour tous joueur contre tous équipe.
Alors de toute évidence ce est ne pas idéal car ce minimise
la individualité de la correspondre.
Mais je eu pour abandonner ce points par minute approcher
car la échantillons étaient aussi petit et la réponse a été fortement déformé.
Alors ce maquette ce j'ai créé avec la agrégé Les données est Suite précis
que ma initiale tentatives, même mais ce sacrifices quelque individualité.
Alors à ce indiquer, je suis Aller pour changer dans JMP ici
et fais une peu bit de la démo sur comment je construit la maquette
et quelque exploratoire Les données Analyse pour commencer.
Alors pour commencer, étaient juste Aller pour voir à quelque marginal des relations
avec points dans la graphique constructeur,
et je suis pouvoir pour choisir quelconque je vouloir.
Mais pour à présent étaient Aller pour voir Plus précisément à Trois variables,
la première être points par Jeu.
Alors nous voir ici, nous avoir une modérer relation amoureuse
avec points et points par Jeu, et ce est positif comme nous voudrais attendre.
le moyen points ce quelqu'un met en haut dans une Jeu,
ou plus de la cours de la saison plutôt, est Aller pour de toute évidence influence
comment de nombreux points elles ou ils But dans une Jeu.
De même, quelque chose aimer usage taux,
la Avancée statistiques ce je a été discuter plus tôt,
également a une positif relation amoureuse,
juste légèrement plus faible que la relation amoureuse compris entre points et points par Jeu.
Finalement, si nous voir à quelque de la carrière Statistiques,
si nous voir à carrière points par Jeu, ensuite de nouveau nous voir une positif relation amoureuse,
mais ce est une peu bit plus faible car c'est en moyenne plus de la cours
de une joueurs carrière plutôt que la saison ce étaient actuellement dans.
Mais avec un peu de chance ce pouvait aider régler pour quelque Majeur différences
dans la points par Jeu totaux ou moyennes plutôt.
Alors à présent ce nous avoir un tri de une idée de la Les données lui-même,
nous pouvez bouge toi dans la Facile linéaire régression
avec points par points par Jeu comme une référence pour ce maquette.
Alors comme je mentionné,
toi pouvez prédire basé au juste points par Jeu
et ce volonté donner toi une décent prédiction.
Mais étaient en regardant pour améliorer ce prédiction par ajouter
quelque de celles-ci différent variables, offensive et défensive.
Alors si nous Cours ce scénario ici,
ce est juste comparant quelque court de une Facile linéaire régression
au la formation et validation ensemble en utilisant KFolds validation tout au long de.
Et si je Cours ici en utilisant la Caché validation 2 colonne
ce je vais être en utilisant pour la reste de celles-ci des modèles,
ensuite nous pouvez voir la régression ici.
Alors voici une régression parcelle. Ce regards jolie éparpillé.
Il y a ne pas une dégager linéaire relation amoureuse, mais la RS carré est modérer,
signification ce 46,5 % de la variation dans points est comptabilisé pour
par ce moyen points par Jeu, lequel est jolie bien.
Et la Erreur quadratique moyenne est sur 5. 27.
le Erreur quadratique moyenne est le la norme déviation de la résiduel,
alors c'est essentiellement la variation dans comment bien notre maquette est prédire.
Son la norme déviation est environ cinq.
Et nous pouvez également voir à quelque autre les mesures,
tel comme la AIC, lequel est utilisé pour comparer des modèles pour prévisibilité.
Alors AIC est une autre important mesure,
et ce les mesures comment bien la maquette volonté prédire
relatif pour la numéro de prédicteurs mettre dans la maquette,
juste pour Fabriquer Bien sur tu es ne pas ajouter façon aussi de nombreux.
Alors dans ce Cas, la AIC est très haut, et nous pouvez viens arrière pour ce numéro
comme nous voir à la Comparaison compris entre ce et la plusieurs linéaire régression
ce je volonté Afficher plus tard.
Alors tandis que je a été en essayant pour prendre la maquette ce je a été Aller pour choisir,
je décidé pour utiliser la maquette dépistage caractéristique dans JMP,
lequel permet toi pour sélectionner ton réponse variables et tous la facteur variables.
je terminé en haut en mettant dans tous de la numérique variables ce je eu pour une plein maquette
juste pour voir initialement lequel des modèles effectuer la meilleur.
Et je a été pouvoir pour choisir à partir de une variété de celles-ci différent méthodes,
y compris XGB oost et R généralisé émersion,
et ensuite de cours, juste la Ordinaire Louer Carré.
Dans la intérêt de temps, ce voudrais prendre toujours pour Cours
car c'est en utilisant quelque de celles-ci machine apprentissage algorithmes.
Alors je suis au lieu juste Aller pour tirer en haut un rapide capture d'écran de la maquette dépistage.
Alors ici nous avoir la sortir à partir de ce maquette dépistage.
Ce spectacles la RS carré.
De nouveau, je a été en utilisant Pliage K validation avec Dix plis ici.
Alors ce spectacles la RS carré
et la Racine M ean Carré Erreur pour chaque Cours.
Alors nous pouvez voir ce la Moins Carré Ajuster en fait eu
une très fort ajuster par rapport pour quelque de la machine apprentissage algorithmes,
lequel je a été surpris par. Mais ce en fait aide pour interprétabilité
car quelque de celles-ci machine apprentissage algorithmes,
ils sont Suite de une le noir boîte. Et si je étaient pour utiliser celles,
ce ne serait pas être comme facile pour interpréter la coefficients ou voir
lequel variables sont vraiment important
ou lequel sont juste être utilisé pour prédiction.
Alors car la crise de Moins carré et la Régression au lasso,
lequel je vais avoir dans une peu bit plus tard, étaient alors haut,
c'est en fait une bien signer ce je suis pouvoir pour utiliser ce pour mieux interprétabilité.
Alors comme nous pouvez voir, la plus précis maquette est ce plusieurs linéaire régression
avec Lasso Régularisation.
Lasso Régularisation est une statistique technique ce régularise la maquette
et sélectionne caractéristiques pour minimiser multicolinéarité.
Multicolinéarité est la corrélation compris entre prédicteurs
et ce pouvez négativement affecter la maquette.
Alors en utilisant ce technique,
étaient pouvoir pour prendre la plein linéaire régression maquette montré ici
et retirer quelque de la variables pour minimiser la multicolinéarité
et peut être satisfaire quelque de la linéaire hypothèses mieux.
Alors avec ce information,
je a été pouvoir pour prendre la variables choisi avec Lasso Régularisation
et ensuite créer une plusieurs linéaire régression en utilisant celles variables.
Alors comme toi pouvez voir ici,
la Réel par Prédit Parcelle regards jolie similaire.
Ce pourrait être légèrement plus proche pour la ligne de meilleur ajuster ici, lequel est une bien signer.
Et nous pouvez voir notre effet résumés,
mais étaient Aller pour faire défiler une peu bit passé ce
alors ce nous avoir pour la sommaire de notre ajuster.
Alors par rapport pour la Facile linéaire régression,
la RS carré et la Ajusté RS carré sont très similaire et c'est Probablement
car points par Jeu est tel une fortement influent facteur dans ce,
comme bien comme la Facile linéaire régression, de toute évidence.
Alors la ajuster est ne pas aussi beaucoup différent.
Cependant, ajouter celles-ci différent variables montré ici Est-ce que améliorer
la Racine M ean Carré Erreur une peu bit.
Ce allé à partir de sur 5.3 pour peu plus de 5.2, lequel est ne pas une radical amélioration,
mais une amélioration néanmoins.
Mais la réel différence ici est dans la AIC et comparant celles-ci des modèles dans termes
de leur prévisibilité, la AIC chuté significativement
à partir de la Facile linéaire régression pour ce plusieurs linéaire régression
avec Lasso R régularisation, lequel est absolument une bien signer.
Nous voir quelque de celles-ci Paramètre Estimations vers le bas ici et de cours la résultats
pour RS carré et Racine Signifier Carré Erreur dans traverser validation.
Alors en regardant à quelque de celles-ci Paramètre E estimations,
la points par Jeu, de nouveau très important,
c'est significatif à la .05 un lpha niveau et de nombreux au dessous de ce.
Et ce est pour être attendu, comme nous avons expliqué déjà.
Chiffre d'affaires pourcentage est également important
et ce a une négatif relation amoureuse avec points.
Comme une voudrais attendre, si tu es tournant la Balle plus de Suite,
c'est moins Opportunités pour tirer la Balle,
moins Opportunités pour But.
Alors ce chèques en dehors avec juste notre connaissances de basket-ball.
Ici nous avoir la défensive rythme, ou la rythme de la défensive équipe,
et ce a une légèrement positif relation amoureuse avec points conditionnel
au la autre les facteurs dans la maquette.
De nouveau, c'est pour être attendu car la plus rapide une équipe pièces,
c'est généralement Suite chances.
Cependant, ce pourrait ne pas avoir tel une fort effet comme chiffres d'affaires ou points par Jeu.
Et ensuite finalement, défensive rebondir pourcentage.
Ce est juste comment souvent la défensive équipe traîne la défensive rebond.
De nouveau, ce est empêcher seconde chance points pour la infraction,
alors ce devrait avoir une négatif relation bateau, lequel ce Est-ce que.
Alors tous celles-ci des choses Chèque en dehors,
et ensuite quelque de celles-ci autre variables sont insignifiant conditionnellement,
mais inclus car elles ou ils améliorer la prévisibilité de la maquette.
Alors quelque chose aimer usage taux pourrait ne pas être important à la .05 niveau,
mais ce néanmoins améliore notre prédictions.
À présent, connaissance ce points par Jeu pourrait ne pas être disponible
à la début de la saison, pour la Le degré ce ce est
près la finir de la saison,
signification ce points par Jeu pourrait être une peu moins fiable
avec une plus petit goûter Taille.
Identifiant voir pour créer une alterner maquette sans pour autant ce
pour voir si je pouvait toujours prédire
mieux que la Facile linéaire régression et similaire pour la Lasso régression,
mais sans pour autant dépendance au une points par Jeu pour la saison mesure.
Alors ce alterner maquette, je créé en utilisant en arrière sélection par AIC.
Et de nouveau je la gauche en dehors la saison points par Jeu,
alors ce toujours comprend la autre points par Jeu des mesures,
ou autre par Jeu des mesures plutôt,
aimer buts sur le terrain tenté à partir de Trois et à partir de deux,
lequel le long de avec quelque de celles-ci autre variables pouvez être une Procuration pour
ce moyen points par Jeu.
Alors ce' s ne pas complètement robuste contre de bonne heure saison fluctuation
et petit goûter tailles.
Mais c'est possible ce celles-ci variables pourrait être une peu bit Suite représentant
de comment une joueur est Aller pour effectuer dans la long Cours.
je suis en pensant ce peut être
joueurs pourrait être une peu Suite cohérent avec leur tenté Statistiques,
ou la taux à lequel ils sont tournage la Balle,
plutôt que juste la montant de points elles ou ils avoir ce pouvait varier basé au
juste une petit goûter Taille.
Celles-ci pouvait comme bien mais...
Juste en utilisant ce maquette comme une alternative,
et ce se tourne en dehors ce ce en fait prédit
jolie De même pour la maquette avec points par Jeu dans ce.
Alors ce pourrait ne pas être favorisé nécessairement si points par Jeu est disponible.
Inapproprié mais ce fournit une similaire prédiction.
Alors nous pouvez voir ce la RS carré est jolie similaire,
mai avoir augmenté une peu bit,
et la Racine Signifier Carré Erreur est de nouveau similaire.
le AIC suggère ce la autre maquette est une mieux maquette pour prédire
basé au la montant de variables inclus, alors ce est absolument quelque chose pour Remarque.
Mais chaque maquette a son avantages.
Ce une, particulièrement,
nous pouvez voir quelque de la conditionnel des relations de la autre variables,
particulièrement celles au la défensive côté, ce nous ne pouvait pas voir comme beaucoup
dans la autre une car points par Jeu a été dominateur alors beaucoup.
Alors nous voir ici ce deux pointeurs et Trois pointeurs tenté
sont pesée insignifiant pour points, lequel de nouveau,
ce fait du sens car la Suite coups tu es prise,
la Suite probable toi sont pour But Suite points.
Et ensuite là sont quelque autre variables ce Fabriquer sens,
et quelque les autres ce peut être région peu déroutant à première vue.
Alors offensive gagner des parts,
ce être une important variable fait du sens c'est mesure
comment beaucoup une joueur est contribuant pour gagne au la offensive côté,
ce fait du sens ce ce a une positif relation amoureuse
comme nous pouvez voir vers le bas ici.
Alors offensive gagner des parts droit ici a une positif relation amoureuse.
Et également la défensive rebondissant pourcentage vers le bas ici
diminue la estimation de nouveau, alors ce est jolie cohérent
avec Quel nous avons vu dans la précédent maquette.
Moyen fautes par Jeu, moyen personnel fautes par Jeu vers le bas ici,
a une négatif effet que je pensais a été intéressant.
Alors une joueur ou équipe avec une plus haute faute total
est Aller pour négativement affecter la points marqué pour la offensive joueur.
Ce pourrait signifier ils sont Suite agressif.
je voudrais supposer ce elles ou ils sont en jouant plus intense la défense dans limiter points
par vole, blocs, ou fortement contesté coups,
et comme une résultat, ils sont obtenir Suite fautes appelé au leur.
Cependant, ce est ne pas tous bien pour la la défense
car puisque la joueur pouvez faute en dehors avec six fautes,
là est une certain équilibre pour la grève dans la fin défensive.
Toi ne fais pas vouloir pour être aussi agressif
car ensuite toi pouvait être donnant en haut Plus facile points
ou toi pouvait être premier ton joueurs dans faute inquiéter.
Alors c'est une intéressant variable, je pense, pour considérer.
Et de cours, ce est une conditionnel importance,
alors ce pourrait changement légèrement basé au la suppression
ou une addition de certain autre variables.
Et finalement, une coupler de défensive des relations
sont particulièrement déroutant à première coup d'œil, je pense.
Spécifiquement impliquant blocs et défenseur la taille.
Alors nous pense de basket-ball comme étant très dépendant au la taille.
Si toi sont plus grand, tu es Suite probable pour va pour la NBA.
Sept pieds de page, je pense toi avoir une 20 pour cent chance
de juste Aller pour la NBA même si toi sont sept pieds.
Alors ce est quelque chose ce nous pense, Si vous bloquer coups Suite et tu es plus grand,
tu es Aller pour être affectant la infraction points négativement.
Cependant, nous voir ce celles-ci des relations sont en fait conditionnellement positif,
lequel est très intéressant cette moyenne blocs par Jeu
et la défenseur la taille, comme bien comme la blocage taux,
sont tous positif des relations.
Et alors initialement, je a été confus par ce, mais je pense ce a Suite pour dire à propos
la joueurs ce celles-ci joueurs sont garde plutôt que
la réel variables eux-mêmes.
Alors Quel je signifier par ce est lorsque vous considerez ce plus grand joueurs
avec mieux blocage Statistiques sont gros Hommes en jouant Puissance effronté ou centre,
ils sont garde autre gros Hommes.
Et alors ce fait du sens une peu bit Suite.
Gardes tendre pour mettre en haut Suite points dans la NBA avec la accent
au Trois- indiquer tournage à présent.
Et une parcelle de infractions sont Cours par quelque de celles-ci plus petit joueurs
OMS tendre pour être gardé par autre plus petit joueurs.
Tandis que celles-ci plus grand joueurs, avec Suite blocs,
sont garde gros Hommes OMS peut être ne sont pas la focal indiquer de la infraction,
de côté à partir de certain joueurs aimer Jokić et Embiid et Giannis.
Mais ce causes une positif relation amoureuse,
mais c'est vraiment Suite une une fonction de la position
ce celles-ci joueurs sont en jouant.
Alors je pensait ce a été une intéressant
conditionnel relation amoureuse pour surligner dans la maquette,
et ce implique une peu bit Suite Plus profond en pensant sur la relation amoureuse compris entre
blocage, la taille, et la points ce une offensive joueur met en haut.
Alors dans termes de la maquette globalement,
nous pouvez voir ce ce une et le Lasso régularisé maquette
sont très similaire dans leur prédictions.
Bien voir ce dans Suite détail bientôt lorsque je retourner pour la 2021 prédictions,
mais la choix ensuite pourrait ne pas être aussi important.
Tous les deux avoir leur avantages.
De cours, ce une permet nous pour voir la importance de Suite de la variables,
Plus précisément la défensive variables,
tandis que la première une a une légèrement plus bas AIC
et pourrait être mieux pour prédictions si la Les données est disponible.
Alors tous les deux partir une peu bit pour être voulu
dans termes de prédire beaucoup Suite de manière fiable que la Facile linéaire régression.
je voudrais avoir aimé pour voir ce Racine Moyens carré Erreur diminuer Suite,
et c'est quelque chose je voudrais voir dans comme je Continuez ce projet,
en regardant pour rassembler mieux Les données, en essayant pour Fabriquer la matchs
Suite individualisé sans pour autant sacrifier la normalité de la réponse variable,
des choses aimer ce.
Mais avec ce être mentionné, celles-ci sont la des modèles ce je avoir à présent,
et nous pouvez voir pour test celles-ci au la 2021 saison Donc loin.
Alors si je changer plus de ici à la matchs pour 2021,
nous avoir la même Les données table juste avec ce années matchs.
Et alors je suis juste au Josh Hart's matchs droit à présent
car je va pour Villanova et il est une Villanova super,
alors ici nous avoir lui comme une joueur, le sien équipe, et la défensive équipes,
le sien Statistiques, leur Statistiques.
Comme nous avons déjà vu, celles-ci sont tous la variables
ce pouvait être inclus dans la maquette.
S'excuser pour la rapide panoramique,
mais ici nous avoir la prédictions à la finir.
Alors celles-ci prédiction variables, ou plutôt celles-ci Colonnes,
sont la maquette prédictions.
Alors notre première une, notre première maquette, est la Optimal Plusieurs L dans l'oreille Régression
c'est en utilisant la Lasso régression et y compris la points par Jeu variable.
Comme toi pouvez voir dans ce Jeu,
il est prédit pour mettre en haut 12.8 points et la résiduel ici est sur cinq.
Alors dans réalité ce résiduel est le points moins la prédiction.
Alors il en fait mettre en haut, ce est environ 13 et ce est environ cinq,
alors il mettre en haut sur 18 points ici au lieu de notre prédit 13.
Alors c'est de toute évidence ne pas une génial mesure.
Et ensuite nous pouvez voir à certains de la alternative maquette.
le alternative maquette prédiction est très similaire,
et nous volonté voir ce dans plus grand détail comme je retourner arrière pour la Power Point et Afficher toi
type de une condensé version de ce Les données table,
car droit à présent je connaître ce ce dans JMP est une peu bit écrasant
car il y a alors de nombreux variables, alors de nombreux Aléatoire Nombres
être jeté à toi.
Alors je suis Aller pour changer arrière
dans la Power Point pour Afficher toi quelque de la prédictions
pour tous les deux Josh Cerf ici et pour Kévin Durant.
Tous droit, alors à présent ce nous avoir notre deux des modèles
et la Facile linéaire régression pour comparer ce pour,
nous pouvez appliquer celles-ci prédictions pour Jeux ce Kévin Durant a joué ce saison.
Alors ici sont quatre Jeux joué dans Atlanta, Charlotte, Chicago, et Cleveland.
Dans la première une, il marqué 31 points.
Dans actualité, tous les deux notre des modèles prédit Fermer pour 26 points,
alors la résiduel est juste environ cinq.
Cependant, nous voir ce quand Kévin Durant est Fermer pour le sien moyen points
environ 28 ou 29 points par Jeu,
lorsque il en fait scores ce, la prédictions sont très Fermer
car points par Jeu pèse alors fortement dans celles-ci des modèles.
Alors, pour Exemple, dans ce Cleveland Jeu,
notre première maquette prédit 26.2 points, il en fait marqué 27.
Donc, la résiduel est moins que une.
Et De même ici, la résiduel moins que une
pour la alternative maquette comme bien.
Alors nous voir ce la maquette excelle lorsque joueurs effectuer Fermer pour moyen,
lequel elles ou ils volonté fais plus de la temps. Mais il y a de toute évidence variation,
aimer dans ce Jeu contre Charlotte, il eu une particulièrement bien Jeu.
Il marqué 38 points.
C'est une génial Jeu, mais particulièrement bien Jeu par Kévin Durant normes.
Et alors la maquette prédictions sont beaucoup plus loin désactivé.
Et nous voir la même chose avec Josh Cerf.
Le sien points la moyenne une peu bit plus bas car lui encore, porte une briquet charge.
Kévin Durant est une Star joueur au la filets,
alors il est obtenir une parcelle de touche et prise une bien portion de celles coups.
Alors ici nous avoir Hart's production.
De nouveau, le sien points moyen est plus proche pour celles-ci 12 et 14 intervalle.
Alors la résidus ici sont très petit.
Lorsque il met en haut 14,
notre des modèles prédit environ 13.5 et la résidus sont autour de 0,5 .
Alors nous avoir vraiment bien prédictions pour lorsque il scores
une moyen montant de points ou Fermer pour une moyen montant de points.
Mais lorsque il scores moins ou beaucoup plus grand
ensuite la prédictions tendre pour souffrir une peu bit.
Alors avec tous ce être mentionné, je connaître je a couru par celles-ci des modèles.
Allons prendre une étape arrière et voir à la limites dans détail
et quelque plus loin étude ce je pouvait embrasse.
Alors première de tous, celles-ci sont en utilisant moyennes par la offensive joueur et défensive équipe
comme opposé pour offensive joueur et individuel joueur.
Comme j'ai mentionné, ce voudrais être la idéal scénario,
mais comme je a été Faire ce, ce n'a pas travailler en dehors aimer ce.
Alors ce pouvait être provoquant quelque problèmes car c'est dupliquer quelque résultats.
À la place de être sorte de une une pour une,
si une joueur est être gardé par ce joueur,
ce est comment de nombreux points elles ou ils volonté But.
Si une joueur est être gardé par une combinaison de joueurs au ce équipe,
ce est comment de nombreux points elles ou ils volonté But.
Alors c'est Plus facile pour prédire mais peut être une peu moins précis.
Aditionellement, la moyennes sont pour la tout saison,
lequel moyens prédictions vers la début mai être moins précis,
comme je mentionné, lequel est quelque chose ce je pense la carrière valeurs
essayer pour remède une peu bit.
Ce pouvait être valeur ajouter des choses aimer points par Jeu
dans la saison variables avec une décalage de peut être cinq saisons.
Alors prise la moyen points par Jeu pour la dernier saison, deux saisons depuis,
Trois saisons depuis, et alors au pour essayer pour ajouter quelque Suite variables
et peut être prédire une temps ou une tendance dans joueur performance.
Aditionellement, joueur performance est dépendant au innombrable autre les facteurs
tel comme du froid ou chaud traces,
comment bien ils ont été effectuer comme de en retard,
blessures au leur posséder équipe, Blessures au la opposé équipe
ce pouvait augmenter ou diminuer leur rôle,
mineur blessures ce elles ou ils sont transaction avec eux-mêmes
ce pouvait diminuer ou augmenter leur rôle.
Et ensuite des choses aimer du repos journées,
Voyage temps, et une parcelle de autre incorporels
aimer NBA joueurs sont Humain et nous tous connaître quelque journées étaient ne pas sentiment la meilleur,
autre journées étaient sentiment génial, Suite énergique.
Celles les types de des choses pouvait mener pour mieux performance ou pire performance.
Alors celles-ci incorporels sont
ne pas Aller pour être quelque chose ce je pouvez facteur dans la maquette
mais c'est important pour reconnaître ce elles ou ils pouvait toujours affecter
la points dans une étant donné Jeu.
Dans termes de plus loin étude,
je voudrais amour pour type de rectifier tous celles-ci limites
et voir pour prédire une Suite holistique variable
tel comme offensive notation.
Alors offensive notation est Aller pour prédire une joueurs points par 100 possessions
contribué pour la Jeu au lieu de juste une aspect de la Jeu dans points.
je voudrais amour pour prédire quelque chose aimer ce ou retourner ce pour la défensive côté
et prédire une défensive notation basé au OMS ils sont probable
pour va en haut contre au infraction.
Alors quelque chose aimer ce je pense voudrais être vraiment frais
et ce voudrais se déployer la application de ce Suite vers entraîneurs
et équipe analystes au lieu de peut être quelque de la fantaisie basket-ball joueurs
OMS sont en regardant pour une strict la mesure aimer points ou quelque chose aimer ce.
Alors avec tous ce être mentionné,
je suis absolument Aller pour Continuez travaillant au ce projet.
Ce a été une parcelle de Amusant et je amour en regardant à celles-ci des modèles
et interprétant à partir de une basket-ball point de vue qu'est-ce que Aller au.
Si toi avoir quelconque des questions, s'il te plaît sentir libre pour mettre celles des questions
dans ma communauté Publier dans la commentaires. je vais être content pour répondre leur.
Et si toi avoir quelconque suggestions comme bien pour plus loin étude,
je voudrais également être content pour prendre celles au. Remercier toi alors beaucoup ton temps.
