Bonjour, tout le monde. Mon nom est Kévin O'Donnell.
Je suis un JMP Mondial Stagiaire référence client,
et aujourd'hui Je vais être en présentant sur un personnel analytique projet
ce j'ai fait ce est le NBA Joueur Modèle de correspondance.
Donc juste pour obtenir commencé,
je serait comme pour aller sur mon idée et le motivations pour bâtiment le modèle.
j'ai toujours a été incroyablement intéressé dans basket-ball.
j'ai a été un énorme basket-ball ventilateur pour mon ensemble vie,
et je était en regardant pour un nouveau analytique projet pour plonger dans,
donc je terminé en haut demander ce question ici:
Pourrait nous modèle un joueurs attaque succès
basé sur leur moyennes et le force de leur adversaires comme Bien?
Donc comme la plupart de nous savoir depuis en train de regarder n'importe quel sport,
joueur performance varie très depuis jeu pour jeu.
C'est basé sur un variété de facteurs
et un de ces être un joueurs moyenne points.
Ce sera être un très fort prédicteur pour points dans un NBA jeu,
mais c'est loin depuis le seul influence sur un joueurs attaque performance.
Donc en allant dans ce projet,
je recherché pour construire un modèle ce prédit le joueurs points dans le jeu
basé sur le points par jeu,
mais aussi un parcelle de autre variables qui nous sera regarder dans sur le suivant glisser.
Donc idéalement, ce sera être utile pour entraîneurs et équipe analystes pour,
pour exemple, déterminer qui de leur attaque joueurs sont probable
pour sur effectuer ou capable pour effectuer vraiment Bien
basé sur leur correspondre UPS et vice versa, qui de leur joueurs ils pourrait vouloir
pour éviter sur infraction parce que ils sont être gardé
par quelques de le meilleur défensive joueurs sur le autre équipe.
Cela pourrait informer jouer appel et jeu planification,
donc si un particulier défenseur est plus faible, entraîneurs peut regarder pour cible ce correspondre en haut
ou regarder pour force un changer sur leur meilleur buteur.
Dans le divertissement royaume,
fantaisie basket-ball joueurs pourrait utiliser ce données pour chiffre dehors
OMS pour commencer ou OMS pour prendre en haut désactivé le Renoncer Fil,
donc il a un large gamme de applications.
Donc voici un petit bit de le aperçu de le données.
Je vais aller à travers ce rapidement, et bien voir ce comme je aller
dans le JMP démo un petit bit plus dans détail,
mais étaient en allant pour prédire points par jeu basé sur Sept principal catégories de données.
Donc étaient en allant pour utiliser joueur attaque moyennes pour le saison,
ce comprend choses comme points par jeu,
3.2 indiquer pourcentages, et avancé métrique tel comme usage taux,
qui enregistrements comment souvent un attaque joueur est utilisé sur leur équipe.
Joueur les attributs tel comme hauteur, aile portée, vertical saut
sera aussi être inclus pour les deux le attaque et défensive joueurs
parce que ces physique les attributs, je serait supposer, aussi contribuer
pour comment beaucoup points un joueur sera score.
Enfin, dans conditions de le attaque joueurs,
Bien utiliser carrière moyennes.
Le même moyennes ce étaient en utilisant pour le saison,
Bien aussi utiliser pour le carrière pour ajouter un petit plus robustesse pour le modèle,
et global équipe rythme et attaque rebondir pourcentage
est aussi en allant pour être un prédicteur parce que ce sera déterminer
comment beaucoup possessions là sera être.
Si là sont plus possessions dans le jeu, c'est plus probable ce n'importe quel donné joueur
sera ont plus points.
Et ainsi de suite ce même jeton, défensive équipe rythme
et défensive rebondissant pourcentage sera aussi être utilisé.
Dans conditions de individuel défensive Statistiques, choses comme vole, blocages, fautes,
et autre avancé métrique tel comme défensive gagner des parts, qui mesures
un individuel joueurs contribution pour le l'équipe gagne sur la défense.
Ceux sont aussi en allant pour être prédicteurs pour
probablement nier le montant de points ce sont marqué par un attaque joueur.
Et alors enfin, le défenseur les attributs sera être utilisé comme je mentionné plus tôt.
Donc avant nous obtenir droite dans le données et le la modélisation et JMP,
je serait comme pour aller sur le correspondre données ce je était en utilisant
pour le en gros de le modèle.
Donc le NBA récemment mis en œuvre quelques nouveau personnel correspondre en haut données collection
et c'est basé sur détaillé joueur suivi.
Donc il des pistes le le plus proche défenseur à chaque indiquer,
pas juste le primaire défenseur sur un jouer.
Il seul des pistes devant rechercher temps et il sera piste partiel possessions.
Donc quoi ce moyens est ce un joueur pourrait être gardé par
comme beaucoup comme cinq différent joueurs sur un seul jouer,
et chaque défenseur serait être récompensé le respectif montant
de correspondre minutes pour ce possession.
Donc ici nous ont un exemple de Éponge Rozier pour le Frelons
être gardé par quatre différent joueurs sur différent équipes.
Dans le d'abord ligne, Steph Curry est garde lui
dans seul un jeu pour 2.7 minutes et autorisé deux points.
Donc si nous penser de un hypothétique où le Frelons sont jouant
Steph Curry's Doré État Guerriers et Curry gardé Rozier pour dix secondes,
et alors Klay Thompson commuté sur pour Rozier pour un autre dix secondes,
les deux serait être récompensé ceux dix secondes de correspondre temps.
Cependant, si Rozier marqué un deux aiguille à le fin de ce possession,
le points serait être marqué pour Klay Thompson.
Ce est vraiment cool suivi données et je aimer comment spécifique il est,
mais il a fait cause quelques problèmes quand J'ai essayé pour modèle le points par minute
pour chaque joueur et défenseur combinaison, qui était mon original plan.
Donc je était initialement en allant pour utiliser le attaque joueur Statistiques
et défensive joueur Statistiques ce je mentionné dans le précédent glisser
dans chaque individuel correspondre.
Mais depuis beaucoup défenseurs, comme tu vas voir ici,
connecté très petit les montants de temps,
comme Stanley Johnson seul gardé Rozier pour un moyenne de sous un minute un jeu,
c'est pas assez temps
pour quelques de ces points par minute des mesures pour être normal.
Donc en allant dos pour ce Klay Thompson hypothétique,
si Klay seul gardé Rozier pour dix secondes le ensemble jeu
et Rozier ayant pour score deux points dans ce possession,
alors chez Rozier points par minute contre Klay dans ce ligne serait être 12.
Donc évidemment, extrapoler ce pour un complet jeu,
même à l'exclusion le dos rechercher temps comme ce données fait, c'est très irréaliste.
Donc je avait pour aller avec un légèrement différent, moins idéal approche.
Plutôt de en utilisant le individuel défensive Statistiques,
je en fait en moyenne eux dehors
pour chaque combinaison de joueur et défensive équipe.
Donc plutôt de en utilisant Rozier contre Curry et Rozier contre Thompson,
je serait utiliser Rozier contre le entier Doré État Guerriers moyenne basé sur
le montant de correspondre minutes ce chaque joueur défendu Rozier.
Donc pour exemple,
si Steph Curry et Klay Thompson les deux gardé lui pour moitié le montant
de possible correspondre en haut minutes, alors le équipe moyenne,
allons dire vole par jeu, serait juste être le arithmétique moyenne
de Curry vole et Klay vole par jeu.
Le même serait aller pour chaque défensive variable
et c'est évidemment un simple exemple,
mais le même va pour chaque joueur contre chaque équipe.
Donc évidemment ce est pas idéal parce que il minimise
le individualité de le correspondre.
Mais je avait pour abandonner ce points par minute approche
parce que le échantillons étaient aussi petit et le réponse était fortement déformé.
Donc ce modèle ce j'ai créé avec le agrégé données est plus précis
que mon initial tentatives, même mais il sacrifices quelques individualité.
Donc à ce indiquer, Je suis en allant pour changer dans JMP ici
et faire un petit bit de le démo sur comment je construit le modèle
et quelques exploratoire données analyse pour commencer.
Donc pour commencer, étaient juste en allant pour regarder à quelques marginal des relations
avec points dans le graphique constructeur,
et Je suis capable pour choisir n'importe quel je vouloir.
Mais pour maintenant étaient en allant pour regarder spécifiquement à trois variables,
le d'abord être points par jeu.
Donc nous voir ici, nous ont un modéré relation
avec points et points par jeu, et il est positif comme nous serait attendre.
Le moyenne points ce quelqu'un met en haut dans un jeu,
ou sur le cours de le saison plutôt, est en allant pour évidemment influence
comment beaucoup points ils score dans un jeu.
De la même manière, quelque chose comme usage taux,
le avancé statistiques ce je était discuter plus tôt,
aussi a un positif relation,
juste légèrement plus faible que le relation entre points et points par jeu.
Enfin, si nous regarder à quelques de le carrière Statistiques,
si nous regarder à carrière points par jeu, alors encore nous voir un positif relation,
mais ce est un petit bit plus faible parce que c'est en moyenne sur le cours
de un joueurs carrière plutôt que le saison ce étaient actuellement dans.
Mais avec un peu de chance ce pourrait aider ajuster pour quelques majeur différences
dans le points par jeu totaux ou moyennes plutôt.
Donc maintenant ce nous ont un tri de un idée de le données lui-même,
nous peut déplacer dans le simple linéaire régression
avec points par points par jeu comme un référence pour ce modèle.
Donc comme je mentionné,
toi peut prédire basé sur juste points par jeu
et il sera donner toi un décent prédiction.
Mais étaient en regardant pour améliorer ce prédiction par ajouter
quelques de ces différent variables, attaque et défensive.
Donc si nous courir ce scénario ici,
ce est juste comparant quelques court de un simple linéaire régression
sur le entraînement et validation ensemble en utilisant KFolds validation tout au long de.
Et si je courir ici en utilisant le Caché validation 2 colonne
ce Je vais être en utilisant pour le reste de ces des modèles,
alors nous peut voir le régression ici.
Donc voici un régression parcelle. Il regards joli dispersé.
Il y a pas un clair linéaire relation, mais le RS carré est modéré,
signification ce 46,5 % de le variation dans points est comptabilisé pour
par ce moyenne points par jeu, qui est joli bien.
Et le Erreur quadratique moyenne est à propos 5. 27.
Le Erreur quadratique moyenne est le standard déviation de le résiduel,
donc c'est essentiellement le variation dans comment Bien notre modèle est prédire.
C'est standard déviation est autour cinq.
Et nous peut aussi regarder à quelques autre mesures,
tel comme le AIC, qui est utilisé pour comparer des modèles pour prévisibilité.
Donc AIC est un autre important mesure,
et il mesures comment Bien le modèle sera prédire
relatif pour le nombre de prédicteurs mettre dans le modèle,
juste pour faire bien sûr tu es pas ajouter chemin aussi beaucoup.
Donc dans ce cas, le AIC est très haut, et nous peut venir dos pour ce nombre
comme nous regarder à le comparaison entre ce et le plusieurs linéaire régression
ce je sera montrer plus tard.
Donc alors que je était en essayant pour prendre le modèle ce je était en allant pour choisir,
je décidé pour utiliser le modèle dépistage fonctionnalité dans JMP,
qui permet toi pour sélectionner ton réponse variables et tous le facteur variables.
je terminé en haut en mettant dans tous de le numérique variables ce je avait pour un complet modèle
juste pour voir initialement qui des modèles effectuer le meilleur.
Et je était capable pour choisir depuis un variété de ces différent méthodes,
y compris XGB oost et R généralisé émersion,
et alors de cours, juste le normal Location Carré.
Dans le intérêt de temps, ce serait prendre pour toujours pour courir
parce que c'est en utilisant quelques de ces machine apprentissage algorithmes.
Donc Je suis plutôt juste en allant pour tirer en haut un rapide capture d'écran de le modèle dépistage.
Donc ici nous ont le sortir depuis ce modèle dépistage.
Il montre le RS carré.
Encore, je était en utilisant Pliage K validation avec dix plis ici.
Donc ce montre le RS carré
et le Racine M ean Carré Erreur pour chaque courir.
Donc nous peut voir ce le Moins Carré Adapter en fait avait
un très fort adapter par rapport pour quelques de le machine apprentissage algorithmes,
qui je était surpris par. Mais il en fait aide pour interprétabilité
parce que quelques de ces machine apprentissage algorithmes,
ils sont plus de un noir boîte. Et si je étaient pour utiliser ceux,
il ne serait pas être comme facile pour interpréter le coefficients ou voir
qui variables sont vraiment important
ou qui sont juste être utilisé pour prédiction.
Donc parce que le crise de Moins carré et le Régression au lasso,
qui Je vais obtenir dans un petit bit plus tard, étaient donc haut,
c'est en fait un bien signe ce Je suis capable pour utiliser ce pour mieux interprétabilité.
Donc comme nous peut voir, le la plupart précis modèle est ce plusieurs linéaire régression
avec Lasso Régularisation.
Lasso Régularisation est un statistique technique ce régularise le modèle
et sélectionne caractéristiques pour minimiser multicolinéarité.
Multicolinéarité est le corrélation entre prédicteurs
et ce peut négativement affecter le modèle.
Donc en utilisant ce technique,
étaient capable pour prendre le complet linéaire régression modèle montré ici
et retirer quelques de le variables pour minimiser le multicolinéarité
et peut être satisfaire quelques de le linéaire hypothèses mieux.
Donc avec ce information,
je était capable pour prendre le variables choisi avec Lasso Régularisation
et alors créer un plusieurs linéaire régression en utilisant ceux variables.
Donc comme toi peut voir ici,
le Réel par Prédit Parcelle regards joli similaire.
Il pourrait être légèrement plus proche pour le doubler de meilleur adapter ici, qui est un bien signe.
Et nous peut voir notre effet résumés,
mais étaient en allant pour faire défiler un petit bit passé ce
donc ce nous obtenir pour le résumé de notre adapter.
Donc par rapport pour le simple linéaire régression,
le RS carré et le Ajusté RS carré sont très similaire et c'est probablement
parce que points par jeu est tel un fortement influent facteur dans ce,
comme Bien comme le simple linéaire régression, évidemment.
Donc le adapter est pas aussi beaucoup différent.
Cependant, ajouter ces différent variables montré ici fait améliorer
le Racine M ean Carré Erreur un petit bit.
Il est allé depuis à propos 5.3 pour petit sur 5.2, qui est pas un radical amélioration,
mais un amélioration néanmoins.
Mais le réel différence ici est dans le AIC et comparant ces des modèles dans conditions
de leur prévisibilité, le AIC abandonné significativement
depuis le simple linéaire régression pour ce plusieurs linéaire régression
avec Lasso R régularisation, qui est certainement un bien signe.
Nous voir quelques de ces Paramètre Estimations bas ici et de cours le résultats
pour RS carré et Racine Moyenne Carré Erreur dans croix validation.
Donc en regardant à quelques de ces Paramètre E estimations,
le points par jeu, encore très important,
c'est significatif à le .05 un lpha niveau et beaucoup dessous ce.
Et ce est pour être attendu, comme nous avons expliqué déjà.
Chiffre d'affaires pourcentage est aussi important
et ce a un négatif relation avec points.
Comme un serait attendre, si tu es tournant le balle sur plus,
c'est moins opportunités pour tirer le balle,
moins opportunités pour score.
Donc ce chèques dehors avec juste notre connaissance de basket-ball.
Ici nous ont le défensive rythme, ou le rythme de le défensive équipe,
et ce a un légèrement positif relation avec points conditionnel
sur le autre facteurs dans le modèle.
Encore, c'est pour être attendu parce que le plus rapide un équipe pièces,
c'est en général plus chances.
Cependant, il pourrait pas ont tel un fort effet comme chiffres d'affaires ou points par jeu.
Et alors enfin, défensive rebondir pourcentage.
Ce est juste comment souvent le défensive équipe traîne le défensive rebond.
Encore, ce est empêcher deuxième chance points pour le infraction,
donc il devrait ont un négatif relation bateau, qui il fait.
Donc tous ces choses vérifier dehors,
et alors quelques de ces autre variables sont insignifiant conditionnellement,
mais inclus parce que ils améliorer le prévisibilité de le modèle.
Donc quelque chose comme usage taux pourrait pas être important à le .05 niveau,
mais il néanmoins améliore notre prédictions.
Maintenant, connaissance ce points par jeu pourrait pas être disponible
à le début de le saison, pour le étendue ce il est
près le fin de le saison,
signification ce points par jeu pourrait être un petit moins fiable
avec un plus petit goûter taille.
Identifiant regarder pour créer un alterner modèle sans ce
pour voir si je pourrait toujours prédire
mieux que le simple linéaire régression et similaire pour le Lasso régression,
mais sans dépendance sur un points par jeu pour le saison mesure.
Donc ce alterner modèle, je créé en utilisant en arrière sélection par AIC.
Et encore je gauche dehors le saison points par jeu,
donc il toujours comprend le autre points par jeu des mesures,
ou autre par jeu des mesures plutôt,
comme buts sur le terrain tenté depuis trois et depuis deux,
qui le long de avec quelques de ces autre variables peut être un Procuration pour
ce moyenne points par jeu.
Donc il' s pas complètement robuste contre tôt saison fluctuation
et petit goûter tailles.
Mais c'est possible ce ces variables pourrait être un petit bit plus représentant
de comment un joueur est en allant pour effectuer dans le long courir.
Je suis pensée ce peut être
joueurs pourrait être un petit plus cohérent avec leur tenté Statistiques,
ou le taux à qui ils sont tournage le balle,
plutôt que juste le montant de points ils obtenir ce pourrait varier basé sur
juste un petit goûter taille.
Ces pourrait comme Bien mais...
Juste en utilisant ce modèle comme un alternative,
et il se tourne dehors ce il en fait prédit
joli de la même manière pour le modèle avec points par jeu dans il.
Donc il pourrait pas être favorisé nécessairement si points par jeu est disponible.
Inapproprié mais il fournit un similaire prédiction.
Donc nous peut voir ce le RS carré est joli similaire,
peut ont augmenté un petit bit,
et le Racine Moyenne Carré Erreur est encore similaire.
Le AIC suggère ce le autre modèle est un mieux modèle pour prédire
basé sur le montant de variables inclus, donc ce est certainement quelque chose pour note.
Mais chaque modèle a c'est avantages.
Ce un, notamment,
nous peut voir quelques de le conditionnel des relations de le autre variables,
notamment ceux sur le défensive côté, ce nous ne pouvait pas voir comme beaucoup
dans le autre un parce que points par jeu était dominateur donc beaucoup.
Donc nous voir ici ce deux pointeurs et trois pointeurs tenté
sont pesée insignifiant pour points, qui encore,
ce fait du sens parce que le plus coups tu es prise,
le plus probable toi sont pour score plus points.
Et alors là sont quelques autre variables ce faire sens,
et quelques autres ce peut être zone petit déroutant à d'abord vue.
Donc attaque gagner des parts,
ce être un important variable fait du sens c'est mesure
comment beaucoup un joueur est contribuant pour gagne sur le attaque côté,
il fait du sens ce ce a un positif relation
comme nous peut voir bas ici.
Donc attaque gagner des parts droite ici a un positif relation.
Et aussi le défensive rebondissant pourcentage bas ici
diminue le estimation encore, donc ce est joli cohérent
avec quoi nous avons vu dans le précédent modèle.
Moyenne fautes par jeu, moyenne personnel fautes par jeu bas ici,
a un négatif effet que je pensais était intéressant.
Donc un joueur ou équipe avec un plus haut faute total
est en allant pour négativement affecter le points marqué pour le attaque joueur.
Ce pourrait moyenne ils sont plus agressif.
je serait supposer ce ils sont jouant plus intense la défense dans limiter points
à travers vole, blocs, ou fortement contesté coups,
et comme un résultat, ils sont obtenir plus fautes appelé sur eux.
Cependant, ce est pas tous bien pour le la défense
parce que depuis le joueur peut faute dehors avec six fautes,
là est un certain équilibre pour frapper dans le fin défensive.
Toi ne le faites pas vouloir pour être aussi agressif
parce que alors toi pourrait être donnant en haut Plus facile points
ou toi pourrait être premier ton joueurs dans faute inquiéter.
Donc c'est un intéressant variable, je penser, pour considérer.
Et de cours, ce est un conditionnel importance,
donc il pourrait changement légèrement basé sur le suppression
ou ajout de certain autre variables.
Et enfin, un couple de défensive des relations
sont notamment déroutant à d'abord coup d'œil, je penser.
Spécifiquement impliquant blocs et défenseur hauteur.
Donc nous penser de basket-ball comme étant très dépendant sur hauteur.
Si toi sont plus grand, tu es plus probable pour aller pour le NBA.
Sept pieds de page, je penser toi ont un 20 pour cent chance
de juste en allant pour le NBA même si toi sont sept pieds.
Donc ce est quelque chose ce nous penser, si tu bloc coups plus et tu es plus grand,
tu es en allant pour être affectant le infraction points négativement.
Cependant, nous voir ce ces des relations sont en fait conditionnellement positif,
qui est très intéressant cette moyenne blocs par jeu
et le défenseur hauteur, comme Bien comme le blocage taux,
sont tous positif des relations.
Et donc initialement, je était confus par ce, mais je penser ce a plus pour dire à propos
le joueurs ce ces joueurs sont garde plutôt que
le réel variables eux-mêmes.
Donc quoi je moyenne par ce est quand vous considerez ce plus grand joueurs
avec mieux blocage Statistiques sont grand Hommes jouant pouvoir avant ou centre,
ils sont garde autre grand Hommes.
Et donc ce fait du sens un petit bit plus.
Gardes soigner pour mettre en haut plus points dans le NBA avec le accent
sur trois- indiquer tournage maintenant.
Et un parcelle de infractions sont courir à travers quelques de ces plus petit joueurs
OMS soigner pour être gardé par autre plus petit joueurs.
Alors que ces plus grand joueurs, avec plus blocs,
sont garde grand Hommes OMS peut être ne sont pas le focal indiquer de le infraction,
de côté depuis certain joueurs comme Jokić et Embiid et Giannis.
Mais ce causes un positif relation,
mais c'est vraiment plus un fonction de le position
ce ces joueurs sont jouant.
Donc je pensée ce était un intéressant
conditionnel relation pour souligner dans le modèle,
et il implique un petit bit plus Plus profond pensée à propos le relation entre
blocage, hauteur, et le points ce un attaque joueur met en haut.
Donc dans conditions de le modèle global,
nous peut voir ce ce un et le Lasso régularisé modèle
sont très similaire dans leur prédictions.
Bien voir ce dans plus détail bientôt quand je retourner pour le 2021 prédictions,
mais le choix alors pourrait pas être aussi important.
Les deux ont leur avantages.
De cours, ce un permet nous pour voir le importance de plus de le variables,
spécifiquement le défensive variables,
alors que le d'abord un a un légèrement inférieur AIC
et pourrait être mieux pour prédictions si le données est disponible.
Donc les deux partir un petit bit pour être voulu
dans conditions de prédire beaucoup plus de manière fiable que le simple linéaire régression.
je serait ont aimé pour voir ce Racine Moyens carré Erreur diminuer plus,
et c'est quelque chose je serait regarder dans comme je continuer ce projet,
en regardant pour rassembler mieux données, en essayant pour faire le matchs
plus individualisé sans sacrifier le normalité de le réponse variable,
choses comme ce.
Mais avec ce être a dit, ces sont le des modèles ce je ont maintenant,
et nous peut regarder pour test ces sur le 2021 saison ainsi loin.
Donc si je changer sur ici au matchs pour 2021,
nous ont le même données tableau juste avec ce années matchs.
Et donc Je suis juste sur Josh Hart's matchs droite maintenant
parce que je aller pour Villanova et il est un Villanova super,
donc ici nous ont lui comme un joueur, son équipe, et le défensive équipes,
son Statistiques, leur Statistiques.
Comme nous avons déjà vu, ces sont tous le variables
ce pourrait être inclus dans le modèle.
S'excuser pour le rapide panoramique,
mais ici nous ont le prédictions à le fin.
Donc ces prédiction variables, ou plutôt ces Colonnes,
sont le modèle prédictions.
Donc notre d'abord un, notre d'abord modèle, est le Optimal Plusieurs L dans l'oreille Régression
c'est en utilisant le Lasso régression et y compris le points par jeu variable.
Comme toi peut voir dans ce jeu,
il est prédit pour mettre en haut 12.8 points et le résiduel ici est à propos cinq.
Donc dans réalité ce résiduel est le points moins le prédiction.
Donc il en fait mettre en haut, ce est autour 13 et ce est autour cinq,
donc il mettre en haut à propos 18 points ici plutôt de notre prédit 13.
Donc c'est évidemment pas un super mesure.
Et alors nous peut regarder à certains de le alternative modèle.
Le alternative modèle prédiction est très similaire,
et nous sera voir ce dans plus grand détail comme je retourner dos pour le Power Point et montrer toi
type de un condensé version de ce données tableau,
parce que droite maintenant je savoir ce ce dans JMP est un petit bit accablant
parce que il y a donc beaucoup variables, donc beaucoup aléatoire Nombres
être jeté à toi.
Donc Je suis en allant pour changer dos
dans le Power Point pour montrer toi quelques de le prédictions
pour les deux Josh Cerf ici et pour Kévin Durant.
Tous droite, donc maintenant ce nous ont notre deux des modèles
et le simple linéaire régression pour comparer il pour,
nous peut appliquer ces prédictions pour Jeux ce Kévin Durant a joué ce saison.
Donc ici sont quatre Jeux joué dans Atlanta, Charlotte, Chicago, et Cleveland.
Dans le d'abord un, il marqué 31 points.
Dans actualité, les deux notre des modèles prédit fermer pour 26 points,
donc le résiduel est juste autour cinq.
Cependant, nous voir ce quand Kévin Durant est fermer pour son moyenne points
autour 28 ou 29 points par jeu,
quand il en fait scores ce, le prédictions sont très fermer
parce que points par jeu pèse donc fortement dans ces des modèles.
Donc, pour exemple, dans ce Cleveland jeu,
notre d'abord modèle prédit 26.2 points, il en fait marqué 27.
Donc, le résiduel est moins que un.
Et de la même manière ici, le résiduel moins que un
pour le alternative modèle comme Bien.
Donc nous voir ce le modèle excelle quand joueurs effectuer fermer pour moyenne,
qui ils sera faire la plupart de le temps. Mais il y a évidemment variation,
comme dans ce jeu contre Charlotte, il avait un notamment bien jeu.
Il marqué 38 points.
C'est un super jeu, mais notamment bien jeu par Kévin Durant normes.
Et donc le modèle prédictions sont beaucoup plus loin désactivé.
Et nous voir le même chose avec Josh Cerf.
Son points la moyenne un petit bit inférieur parce que lui encore, porte un plus léger charger.
Kévin Durant est un étoile joueur sur le filets,
donc il est obtenir un parcelle de touche et prise un bien portion de ceux coups.
Donc ici nous ont Hart's production.
Encore, son points moyenne est plus proche pour ces 12 et 14 gamme.
Donc le résidus ici sont très petit.
Quand il met en haut 14,
notre des modèles prédit autour 13.5 et le résidus sont autour de .5 .
Donc nous ont vraiment bien prédictions pour quand il scores
un moyenne montant de points ou fermer pour un moyenne montant de points.
Mais quand il scores moins ou beaucoup plus grand
alors le prédictions soigner pour souffrir un petit bit.
Donc avec tous ce être a dit, je savoir je couru à travers ces des modèles.
Allons prendre un marcher dos et regarder à le limites dans détail
et quelques plus loin étude ce je pourrait embrasser.
Donc d'abord de tous, ces sont en utilisant moyennes par le attaque joueur et défensive équipe
comme opposé pour attaque joueur et individuel joueur.
Comme j'ai mentionné, ce serait être le idéal scénario,
mais comme je était action il, il n'a pas travail dehors comme ce.
Donc ce pourrait être provoquant quelques problèmes parce que c'est dupliquer quelques résultats.
Plutôt de être trier de un un pour un,
si un joueur est être gardé par ce joueur,
ce est comment beaucoup points ils sera score.
Si un joueur est être gardé par un combinaison de joueurs sur ce équipe,
ce est comment beaucoup points ils sera score.
Donc c'est Plus facile pour prédire mais peut être un petit moins précis.
En outre, le moyennes sont pour le entier saison,
qui moyens prédictions vers le début peut être moins précis,
comme je mentionné, qui est quelque chose ce je penser le carrière valeurs
essayer pour remède un petit bit.
Il pourrait être valeur ajouter choses comme points par jeu
dans le saison variables avec un décalage de peut être cinq saisons.
Donc prise le moyenne points par jeu pour le dernier saison, deux saisons il y a,
trois saisons il y a, et donc sur pour essayer pour ajouter quelques plus variables
et peut être prédire un temps ou un s'orienter dans joueur performance.
En outre, joueur performance est dépendant sur innombrable autre facteurs
tel comme froid ou chaud traces,
comment Bien ils ont a été effectuer comme de en retard,
blessures sur leur posséder équipe, Blessures sur le opposé équipe
ce pourrait augmenter ou diminuer leur rôle,
mineure blessures ce ils sont transaction avec eux-mêmes
ce pourrait diminuer ou augmenter leur rôle.
Et alors choses comme repos jours,
voyage temps, et un parcelle de autre incorporels
comme NBA joueurs sont humain et nous tous savoir quelques jours étaient pas sentiment le meilleur,
autre jours étaient sentiment super, plus énergique.
Ceux les types de choses pourrait mener pour mieux performance ou pire performance.
Donc ces incorporels sont
pas en allant pour être quelque chose ce je peut facteur dans le modèle
mais c'est important pour reconnaître ce ils pourrait toujours affecter
le points dans un donné jeu.
Dans conditions de plus loin étude,
je serait aimer pour type de rectifier tous ces limites
et regarder pour prédire un plus holistique variable
tel comme attaque notation.
Donc attaque notation est en allant pour prédire un joueurs points par 100 possessions
contribué pour le jeu plutôt de juste un aspect de le jeu dans points.
je serait aimer pour prédire quelque chose comme ce ou retourner il pour le défensive côté
et prédire un défensive notation basé sur OMS ils sont probable
pour aller en haut contre sur infraction.
Donc quelque chose comme ce je penser serait être vraiment cool
et il serait étendre le application de ce plus vers entraîneurs
et équipe analystes plutôt de peut être quelques de le fantaisie basket-ball joueurs
OMS sont en regardant pour un strict la mesure comme points ou quelque chose comme ce.
Donc avec tous ce être a dit,
Je suis certainement en allant pour continuer fonctionnement sur ce projet.
Il était un parcelle de amusant et je aimer en regardant à ces des modèles
et interprétant depuis un basket-ball point de vue qu'est-ce que c'est en allant sur.
Si toi ont n'importe quel des questions, s'il te plaît se sentir gratuit pour mettre ceux des questions
dans mon communauté poste dans le commentaires. Je vais être content pour répondre eux.
Et si toi ont n'importe quel suggestions comme Bien pour plus loin étude,
je serait aussi être content pour prendre ceux sur. Remercier toi donc beaucoup ton temps.
