Hallo, jeder. Mein Name ist Kevin O’Donnell.
Ich bin ein JMP Global Kundenreferenz Praktikant,
und heute Krank sein präsentieren an ein persönlich Analytik Projekt
das Ich habe fertig das ist der NBA Spieler Matchup-Modell.
Damit gerade zu bekommen gestartet,
ich möchten wie zu gehen über mein Idee und der Beweggründe zum Gebäude der Modell.
Ich habe immer gewesen unglaublich interessiert in Basketball.
Ich habe gewesen ein enorm Basketball Fan zum mein ganz Leben,
und ich war suchen zum ein Neu Analytik Projekt zu tauchen hinein,
damit ich beendet hoch fragen Das Frage Hier:
Könnten wir Modell ein Spieler beleidigend Erfolg
basierend an ihr Durchschnitte und der Stärke von ihr Gegner als Gut?
Damit als die meisten von uns wissen von Aufpassen irgendein Sport,
Spieler Leistung variiert sehr von Spiel zu Spiel.
Es ist basierend an ein Vielfalt von Faktoren
und ein von diese Sein ein Spieler Durchschnitt Punkte.
Dass Wille sein ein sehr stark Anzeichen zum Punkte in ein NBA Spiel,
aber es ist weit von der nur beeinflussen an ein Spieler beleidigend Leistung.
Damit gehen hinein Das Projekt,
ich gesucht zu bauen ein Modell das vorhergesagt der Spieler Punkte in der Spiel
basierend an der Punkte pro Spiel,
aber Auch ein viel von andere Variablen welcher wir Wille sehen hinein an der nächste rutschen.
Damit im Idealfall, Das Wille sein hilfreich zum Trainer und Mannschaft Analytiker zu,
zum Beispiel, bestimmen welcher von ihr beleidigend Spieler sind wahrscheinlich
zu über ausführen oder fähig zu ausführen Ja wirklich Gut
basierend an ihr passen UPS und Vize umgekehrt, welcher von ihr Spieler Sie könnte will
zu vermeiden an Vergehen da Sie sind Sein bewacht
durch etwas von der Beste Defensive Spieler an der andere Mannschaft.
Das könnte informieren abspielen Berufung und Spiel Planung,
damit wenn ein besonders Verteidiger ist schwächer, Trainer dürfen sehen zu Ziel das passen hoch
oder sehen zu Gewalt ein schalten auf zu ihr Beste Torschütze.
Im der Unterhaltung Reich,
Fantasie Basketball Spieler könnten verwenden Das Daten zu Bild aus
WHO zu Anfang oder WHO zu wählen hoch aus der Verzicht Kabel,
damit es hat ein breit Reichweite von Anwendungen.
Damit Hier ist ein kleine bisschen von der Überblick von der Daten.
Krank gehen durch Das schnell, und ... nun ja sehen Das als ich gehen
hinein der JMP Demo ein kleine bisschen mehr in Detail,
aber wurden gehen zu Vorhersagen Punkte pro Spiel basierend an Sieben hauptsächlich Kategorien von Daten.
Damit wurden gehen zu verwenden Spieler beleidigend Durchschnitte zum der Jahreszeit,
Das beinhaltet Dinge wie Punkte pro Spiel,
3.2 Punkt Prozente, und fortschrittlich Metriken eine solche als Verwendungszweck Bewertung,
welcher Aufzeichnungen wie häufig ein beleidigend Spieler ist benutzt an ihr Mannschaft.
Spieler Attribute eine solche als Höhe, Flügel Spanne, vertikal Sprung
Wille Auch sein inbegriffen zum beide der beleidigend und Defensive Spieler
da diese körperlich Attribute, ich möchten davon ausgehen, Auch einen Beitrag leisten
zu wie viele Punkte ein Spieler Wille Ergebnis.
Endlich, in Bedingungen von der beleidigend Spieler,
Gut verwenden Werdegang Durchschnitte.
Die gleich Durchschnitte das wurden verwenden zum der Jahreszeit,
Gut Auch verwenden zum der Werdegang zu addieren ein kleine mehr Robustheit zu der Modell,
und Gesamt Mannschaft Tempo und beleidigend zurückprallen Prozentsatz
ist Auch gehen zu sein ein Anzeichen da das Wille bestimmen
wie viele Besitztümer dort Wille sein.
Wenn dort sind mehr Besitztümer in der Spiel, es ist mehr wahrscheinlich das irgendein gegeben Spieler
Wille verfügen über mehr Punkte.
Und so weiter das gleich Zeichen, Defensive Mannschaft Tempo
und Defensive zurückprallen Prozentsatz Wille Auch sein benutzt.
Im Bedingungen von Individuell Defensive Statistiken, Dinge wie stiehlt, Blöcke, Fouls,
und andere fortschrittlich Metriken eine solche als Defensive Aktien gewinnen, welcher Maße
ein Individuell Spieler Beitrag zu der Teams Gewinnt an Verteidigung.
Diese sind Auch gehen zu sein Prädiktoren zu
wahrscheinlich negieren der Menge von Punkte das sind erzielt durch ein beleidigend Spieler.
Und dann endlich, der Verteidiger Attribute Wille sein benutzt als ich erwähnt früher.
Damit Vor wir bekommen rechts hinein der Daten und der Modellieren und JMP,
ich möchten wie zu gehen über der zusammenpassen Daten das ich war verwenden
zum der Schüttgut von der Modell.
Damit der NBA vor kurzem umgesetzt etwas Neu persönlich passen hoch Daten Sammlung
und es ist basierend an detailliert Spieler Verfolgung.
Damit es Spuren der am nächsten Verteidiger bei jeden Punkt,
nicht gerade der primär Verteidiger an ein abspielen.
Es nur Spuren Vorderseite Gericht Zeit und es Wille Spur teilweise Besitztümer.
Damit was Das bedeutet ist das ein Spieler könnten sein bewacht durch
als viele als fünf unterschiedlich Spieler an ein Einzel abspielen,
und jede einzelne Verteidiger möchten sein verliehen der jeweilig Menge
von zusammenpassen Protokoll zum das Besitz.
Damit Hier wir verfügen über ein Beispiel von Frottee Rosiger zum der Hornissen
Sein bewacht durch vier unterschiedlich Spieler an unterschiedlich Mannschaften.
Im der Erste Reihe, Steph Curry ist Bewachung ihm
in nur ein Spiel zum 2.7 Protokoll und erlaubt zwei Punkte.
Damit wenn wir Überlegen von ein hypothetisch wo der Hornissen sind spielen
Steph Currys Golden Bundesland Krieger und Curry bewacht Rosiger zum 10 Sekunden,
und dann Klay Thompson geschaltet an zu Rosiger zum Ein weiterer 10 Sekunden,
beide möchten sein verliehen diese 10 Sekunden von zusammenpassen Zeit.
Aber, wenn Rosiger erzielt ein zwei Zeiger bei der Ende von Das Besitz,
der Punkte möchten sein markiert zum Klay Thompson.
Dies ist Ja wirklich kühl Verfolgung Daten und ich Liebe wie Spezifisch es ist,
aber es Tat weil etwas Probleme wann Ich habe es versucht zu Modell der Punkte pro Minute
zum jede einzelne Spieler und Verteidiger Kombination, welcher war mein Original planen.
Damit ich war ursprünglich gehen zu verwenden der beleidigend Spieler Statistiken
und Defensive Spieler Statistiken das ich erwähnt in der früher rutschen
in jeden Individuell zusammenpassen.
Aber seit viele Verteidiger, wie du wirst sehen Hier,
protokolliert sehr klein Beträge von Zeit,
wie Stanley Johnson nur bewacht Rosiger zum ein Durchschnitt von unter ein Minute ein Spiel,
das ist nicht genügend Zeit
zum etwas von diese Punkte pro Minute Messungen zu sein normal.
Damit gehen zurück zu das Klay Thompson hypothetisch,
wenn Klay nur bewacht Rosiger zum 10 Sekunden der ganz Spiel
und Rosiger haben zu Ergebnis zwei Punkte in das Besitz,
dann Roziers Punkte pro Minute gegen Klay in das Reihe möchten sein 12.
Damit offensichtlich, extrapolieren das zu ein voll Spiel,
eben ausschließlich der zurück Gericht Zeit als Das Daten tut, es ist sehr unrealistisch.
Damit ich hatte zu gehen mit ein leicht unterschiedlich, weniger Ideal sich nähern.
Stattdessen von verwenden der Individuell Defensive Statistiken,
ich eigentlich gemittelt Ihnen aus
zum jede einzelne Kombination von Spieler und Defensive Mannschaft.
Damit stattdessen von verwenden Rosiger gegen Curry und Rosiger gegen Thompson,
ich möchten verwenden Rosiger gegen der gesamte Golden Bundesland Krieger Durchschnitt basierend an
der Menge von zusammenpassen Protokoll das jede einzelne Spieler verteidigt Rosiger.
Damit zum Beispiel,
wenn Steph Curry und Klay Thompson beide bewacht ihm zum Hälfte der Menge
von möglich passen hoch Protokoll, dann der Mannschaft Durchschnitt,
Lasst uns sagen stiehlt pro Spiel, möchten gerade sein der Arithmetik bedeuten
von Curry stiehlt und Klay stiehlt pro Spiel.
Die gleich möchten gehen zum jeden Defensive Variable
und das ist offensichtlich ein einfach Beispiel,
aber der gleich geht zum jeden Spieler gegen jeden Mannschaft.
Damit offensichtlich Das ist nicht Ideal da es minimiert
der Individualität von der zusammenpassen.
Aber ich hatte zu aufgeben das Punkte pro Minute sich nähern
da der Proben wurden zu klein und der Antwort war schwer verzerrt.
Damit Das Modell das Ich habe erstellt mit der aggregiert Daten ist mehr genau
als mein Initial Versuche, eben obwohl es Opfer etwas Individualität.
Damit bei Das Punkt, Ich bin gehen zu schalten hinein JMP Hier
und tun ein kleine bisschen von der Demo auf wie ich gebaut der Modell
und etwas explorativ Daten Analyse zu Start.
Damit zu Start, wurden gerade gehen zu sehen bei etwas marginal Beziehungen
mit Punkte in der Graph Baumeister,
und Ich bin fähig zu wählen irgendein ich will.
Aber zum jetzt wurden gehen zu sehen speziell bei drei Variablen,
der Erste Sein Punkte pro Spiel.
Damit wir sehen Hier, wir verfügen über ein mäßig Beziehung
mit Punkte und Punkte pro Spiel, und es ist positiv als wir möchten erwarten.
Die Durchschnitt Punkte das jemand setzt hoch in ein Spiel,
oder über der Kurs von der Jahreszeit eher, ist gehen zu offensichtlich beeinflussen
wie viele Punkte Sie Ergebnis in ein Spiel.
Ähnlich, etwas wie Verwendungszweck Bewertung,
der fortschrittlich Statistiken das ich war diskutieren früher,
Auch hat ein positiv Beziehung,
gerade leicht schwächer als der Beziehung zwischen Punkte und Punkte pro Spiel.
Endlich, wenn wir sehen bei etwas von der Werdegang Statistiken,
wenn wir sehen bei Werdegang Punkte pro Spiel, dann aufs Neue wir sehen ein positiv Beziehung,
aber das ist ein kleine bisschen schwächer da es ist gemittelt über der Kurs
von ein Spieler Werdegang eher als der Jahreszeit das wurden zur Zeit in.
Aber hoffnungsvoll Das könnten Hilfe anpassen zum etwas wesentlich Unterschiede
in der Punkte pro Spiel Summen oder Durchschnitte eher.
Damit jetzt das wir verfügen über eine Sorte von ein Idee von der Daten selbst,
wir kann Bewegung hinein der einfach linear Rückschritt
mit Punkte durch Punkte pro Spiel als ein Benchmark zum Das Modell.
Damit als ich erwähnt,
Sie kann Vorhersagen basierend an gerade Punkte pro Spiel
und es Wille geben Sie Sie ein anständig Vorhersage.
Aber wurden suchen zu verbessern das Vorhersage durch Hinzufügen
etwas von diese unterschiedlich Variablen, beleidigend und Defensive.
Damit wenn wir Lauf Das Skript Hier,
Das ist gerade vergleichen etwas läuft von ein einfach linear Rückschritt
an der Ausbildung und Validierung einstellen verwenden KFalten Validierung während.
Und wenn ich Lauf Hier verwenden der Versteckt Validierung 2 Säule
das Krank sein verwenden zum der Rest von diese Modelle,
dann wir kann sehen der Rückschritt Hier.
Damit Hier ist ein Rückschritt Handlung. Es sieht aus hübsch verstreut.
Es gibt nicht ein klar linear Beziehung, aber der RS Quadrat ist mäßig,
Bedeutung das 46,5 Prozent von der Variation in Punkte ist abgerechnet zum
durch Das Durchschnitt Punkte pro Spiel, welcher ist hübsch gut.
Und der Root-Mean-Square-Fehler ist Über 5. 27.
Die Root-Mean-Square-Fehler ist der Standard Abweichung von der Restwert,
damit es ist im Wesentlichen der Variation in wie Gut unsere Modell ist vorhersagen.
Es ist Standard Abweichung ist um herum fünf.
Und wir kann Auch sehen bei etwas andere Maße,
eine solche als der AIC, welcher ist benutzt zu vergleichen Modelle zum Vorhersagbarkeit.
Damit AIC ist Ein weiterer wichtig messen,
und es Maße wie Gut der Modell Wille Vorhersagen
relativ zu der Anzahl von Prädiktoren setzen in der Modell,
gerade zu machen sicher du bist nicht Hinzufügen Weg zu viele.
Damit in Das Fall, der AIC ist sehr hoch, und wir kann Kommen Sie zurück zu Das Anzahl
als wir sehen bei der Vergleich zwischen Das und der mehrere linear Rückschritt
das ich Wille Show später.
Damit während ich war versuchen zu wählen der Modell das ich war gehen zu wählen,
ich beschlossen zu verwenden der Modell Screening Merkmal in JMP,
welcher erlaubt Sie zu auswählen dein Antwort Variablen und alle der Faktor Variablen.
ich beendet hoch Putten in alle von der numerisch Variablen das ich hatte zum ein voll Modell
gerade zu sehen anfänglich welcher Modelle ausführen der Beste.
Und ich war fähig zu wählen von ein Vielfalt von diese unterschiedlich Methoden,
einschließlich XGB oost und Verallgemeinertes R Austritt,
und dann von Kurs, gerade der normal Mieten Quadrat.
Im der Interesse von Zeit, Das möchten nehmen für immer zu Lauf
da es ist verwenden etwas von diese Maschine Lernen Algorithmen.
Damit Ich bin stattdessen gerade gehen zu ziehen hoch ein schneller Bildschirmfoto von der Modell Screening.
Damit Hier wir verfügen über der Ausgang von Das Modell Screening.
Es zeigt an der RS Quadrat.
Aufs Neue, ich war verwenden KFold Validierung mit zehn Falten Hier.
Damit Das zeigt an der RS Quadrat
und der Wurzel M ean Quadrat Fehler zum jede einzelne Lauf.
Damit wir kann sehen das der Am wenigsten Quadrat Fit eigentlich hatte
ein sehr stark fit verglichen zu etwas von der Maschine Lernen Algorithmen,
welcher ich war überrascht durch. Aber es eigentlich hilft zum Interpretierbarkeit
da etwas von diese Maschine Lernen Algorithmen,
Sie sind mehr von ein Schwarz Kasten. Und wenn ich wurden zu verwenden diese,
es würde nicht sein als leicht zu interpretieren der Koeffizienten oder sehen
welcher Variablen sind wirklich bedeutsam
oder welcher sind gerade Sein benutzt zum Vorhersage.
Damit da der passend von Letzter Versuch und der Lasso-Regression,
welcher Krank bekommen hinein ein kleine bisschen später, wurden damit hoch,
es ist eigentlich ein gut Schild das Ich bin fähig zu verwenden das zum besser Interpretierbarkeit.
Damit als wir kann sehen, der die meisten genau Modell ist Das mehrere linear Rückschritt
mit Lasso Regulierung.
Lasso Regulierung ist ein statistisch Technik das reguliert der Modell
und wählt Merkmale zu minimieren Multikollinearität.
Multikollinearität ist der Korrelation zwischen Prädiktoren
und das kann negativ beeinträchtigen der Modell.
Damit verwenden Das Technik,
wurden fähig zu nehmen der voll linear Rückschritt Modell gezeigt Hier
und Löschen etwas von der Variablen zu minimieren der Multikollinearität
und vielleicht erfüllen etwas von der linear Annahmen besser.
Damit mit das Information,
ich war fähig zu nehmen der Variablen ausgewählt mit Lasso Regulierung
und dann schaffen ein mehrere linear Rückschritt verwenden diese Variablen.
Damit als Sie kann sehen Hier,
der Tatsächlich durch Vorhergesagt Parzelle sieht aus hübsch ähnlich.
Es könnte sein leicht näher zu der Linie von Beste fit Hier, welcher ist ein gut Schild.
Und wir kann sehen unsere Wirkung Zusammenfassungen,
aber wurden gehen zu scrollen ein kleine bisschen Vergangenheit das
damit das wir bekommen zu der Zusammenfassung von unsere fit.
Damit verglichen zu der einfach linear Rückschritt,
der RS Quadrat und der Angepasst RS Quadrat sind sehr ähnlich und das ist wahrscheinlich
da Punkte pro Spiel ist eine solche ein schwer einflussreich Faktor in Das,
als Gut als der einfach linear Rückschritt, offensichtlich.
Damit der fit ist nicht zu viel unterschiedlich.
Aber, hinzufügen diese unterschiedlich Variablen gezeigt Hier tut verbessern
der Wurzel M ean Quadrat Fehler ein kleine bisschen.
Es gegangen von Über 5.3 zu kleine über 5.2, welcher ist nicht ein drastisch Verbesserung,
aber ein Verbesserung dennoch.
Aber der Real Unterschied Hier ist in der AIC und vergleichen diese Modelle in Bedingungen
von ihr Vorhersagbarkeit, der AIC fallen gelassen bedeutend
von der einfach linear Rückschritt zu Das mehrere linear Rückschritt
mit Lasso R Gleichförmigkeit, welcher ist bestimmt ein gut Schild.
Wir sehen etwas von diese Parameter Schätzungen Nieder Hier und von Kurs der Ergebnisse
zum RS Quadrat und Wurzel Bedeuten Quadrat Fehler in kreuzen Validierung.
Damit suchen bei etwas von diese Parameter E Schätzungen,
der Punkte pro Spiel, aufs Neue sehr bedeutsam,
es ist signifikant bei der 0,05 ein lpha Stufe und viele unter das.
Und Das ist zu sein erwartet, als wir haben erklärt bereits.
Umsatz Prozentsatz ist Auch bedeutsam
und Das hat ein Negativ Beziehung mit Punkte.
Als ein möchten erwarten, wenn du bist drehen der Ball über mehr,
das ist weniger Gelegenheiten zu schießen der Ball,
weniger Gelegenheiten zu Ergebnis.
Damit das Schecks aus mit gerade unsere Wissen von Basketball.
Hier wir verfügen über der Defensive Tempo, oder der Tempo von der Defensive Mannschaft,
und Das hat ein leicht positiv Beziehung mit Punkte bedingt
an der andere Faktoren in der Modell.
Aufs Neue, das ist zu sein erwartet da der Schneller ein Mannschaft Theaterstücke,
das ist allgemein mehr Chancen.
Aber, es könnte nicht verfügen über eine solche ein stark Wirkung als Umsätze oder Punkte pro Spiel.
Und dann endlich, Defensive zurückprallen Prozentsatz.
Dies ist gerade wie häufig der Defensive Mannschaft Züge der Defensive Rebound.
Aufs Neue, Das ist verhindern Sekunde Chance Punkte zum der Vergehen,
damit es sollte verfügen über ein Negativ Beziehung Schiff, welcher es tut.
Damit alle diese Dinge prüfen aus,
und dann etwas von diese andere Variablen sind unbedeutend bedingt,
aber inbegriffen da Sie verbessern der Vorhersagbarkeit von der Modell.
Damit etwas wie Verwendungszweck Bewertung könnte nicht sein bedeutsam bei der .05 Stufe,
aber es dennoch verbessert unsere Vorhersagen.
Jetzt, wissen das Punkte pro Spiel könnte nicht sein erhältlich
bei der Anfang von der Jahreszeit, zu der Ausmaß das es ist
in der Nähe von der Ende von der Jahreszeit,
Bedeutung das Punkte pro Spiel könnte sein ein kleine weniger zuverlässig
mit ein kleiner Probe Größe.
Ausweis sehen zu schaffen ein wechseln Modell ohne das
zu sehen wenn ich könnten still Vorhersagen
besser als der einfach linear Rückschritt und ähnlich zu der Lasso Rückschritt,
aber ohne Abhängigkeit an ein Punkte pro Spiel zum der Jahreszeit messen.
Damit Das wechseln Modell, ich erstellt verwenden rückwärts Auswahl durch AIC.
Und aufs Neue ich links aus der Jahreszeit Punkte pro Spiel,
damit es still beinhaltet der andere Punkte pro Spiel Messungen,
oder andere pro Spiel Messungen eher,
wie Feld Ziele versucht von drei und von zwei,
welcher eine lange mit etwas von diese andere Variablen kann sein ein Proxy zum
das Durchschnitt Punkte pro Spiel.
Damit es' S nicht vollständig robust gegen frühzeitig Jahreszeit Schwankungen
und klein Probe Größen.
Aber es ist möglich das diese Variablen könnte sein ein kleine bisschen mehr Vertreter
von wie ein Spieler ist gehen zu ausführen in der lang Lauf.
Ich bin Denken das vielleicht
Spieler könnte sein ein kleine mehr konsistent mit ihr versucht Statistiken,
oder der Bewertung bei welcher Sie sind Schießen der Ball,
eher als gerade der Menge von Punkte Sie bekommen das könnten variieren basierend an
gerade ein klein Probe Größe.
Diese könnten als Gut aber...
Nur verwenden Das Modell als ein Alternative,
und es wendet sich aus das es eigentlich prognostiziert
hübsch ähnlich zu der Modell mit Punkte pro Spiel in es.
Damit es könnte nicht sein bevorzugt Notwendig wenn Punkte pro Spiel ist erhältlich.
Unangemessen aber es bietet ein ähnlich Vorhersage.
Damit wir kann sehen das der RS Quadrat ist hübsch ähnlich,
dürfen verfügen über ist gestiegen ein kleine bisschen,
und der Wurzel Bedeuten Quadrat Fehler ist aufs Neue ähnlich.
Die AIC schlägt vor das der andere Modell ist ein besser Modell zum vorhersagen
basierend an der Menge von Variablen inbegriffen, damit das ist bestimmt etwas zu Hinweis.
Aber jede einzelne Modell hat es ist Vorteile.
Dies ein, insbesondere,
wir kann sehen etwas von der bedingt Beziehungen von der andere Variablen,
insbesondere diese an der Defensive Seite, das wir konnte nicht sehen als viel
in der andere ein da Punkte pro Spiel war dominierend damit viel.
Damit wir sehen Hier das zwei Zeiger und drei Zeiger versucht
sind Wiegen unbedeutend zum Punkte, welcher aufs Neue,
das macht Sinn da der mehr Schüsse du bist nehmen,
der mehr wahrscheinlich Sie sind zu Ergebnis mehr Punkte.
Und dann dort sind etwas andere Variablen das machen Sinn,
und etwas Andere das vielleicht Bereich kleine verwirrend bei Erste Sicht.
Damit beleidigend Aktien gewinnen,
das Sein ein bedeutsam Variable macht Sinn das ist Messung
wie viel ein Spieler ist beitragen zu Gewinnt an der beleidigend Seite,
es macht Sinn das das hat ein positiv Beziehung
als wir kann sehen Nieder Hier.
Damit beleidigend Aktien gewinnen rechts Hier hat ein positiv Beziehung.
Und Auch der Defensive zurückprallen Prozentsatz Nieder Hier
nimmt ab der Einschätzung aufs Neue, damit das ist hübsch konsistent
mit was wir haben gesehen in der früher Modell.
Durchschnitt Fouls pro Spiel, Durchschnitt persönlich Fouls pro Spiel Nieder Hier,
hat ein Negativ Wirkung was ich dachte war interessant.
Damit ein Spieler oder Mannschaft mit ein höher Foul gesamt
ist gehen zu negativ beeinträchtigen der Punkte erzielt zum der beleidigend Spieler.
Dies könnte bedeuten Sie sind mehr aggressiv.
ich möchten davon ausgehen das Sie sind spielen Intensiver Verteidigung in begrenzen Punkte
durch stiehlt, Blöcke, oder schwer bestritten Schüsse,
und als ein Ergebnis, Sie sind bekommen mehr Fouls namens an Ihnen.
Aber, Das ist nicht alle gut zum der Verteidigung
da seit der Spieler kann Foul aus mit sechs Fouls,
dort ist ein sicher Balance zu schlagen in der defensives Ende.
Sie nicht will zu sein zu aggressiv
da dann Sie könnten sein geben hoch Einfacher Punkte
oder Sie könnten sein führend dein Spieler hinein Foul Ärger.
Damit das ist ein interessant Variable, ich Überlegen, zu Erwägen.
Und von Kurs, Das ist ein bedingt Bedeutung,
damit es könnte Veränderung leicht basierend an der Entfernung
oder Zusatz von sicher andere Variablen.
Und endlich, ein Paar von Defensive Beziehungen
sind insbesondere verwirrend bei Erste Blick, ich Überlegen.
Speziell einbeziehen Blöcke und Verteidiger Höhe.
Damit wir Überlegen von Basketball als seiend sehr abhängig an Höhe.
Wenn Sie sind größer, du bist mehr wahrscheinlich zu gehen zu der NBA.
Sieben Fußzeilen, ich Überlegen Sie verfügen über ein 20 Prozent Chance
von gerade gehen zu der NBA eben wenn Sie sind sieben Fuß.
Damit Das ist etwas das wir Überlegen, wenn du Block Schüsse mehr und du bist größer,
du bist gehen zu sein beeinflussen der Vergehen Punkte negativ.
Aber, wir sehen das diese Beziehungen sind eigentlich bedingt positiv,
welcher ist sehr interessant dieser Durchschnitt Blöcke pro Spiel
und der Verteidiger Höhe, als Gut als der Blockierung Bewertung,
sind alle positiv Beziehungen.
Und damit anfänglich, ich war verwirrt durch Das, aber ich Überlegen Das hat mehr zu Sag über
der Spieler das diese Spieler sind Bewachung eher als
der tatsächlich Variablen sich.
Damit was ich bedeuten durch Das ist wann Du denkst darüber nach das größer Spieler
mit besser Blockierung Statistiken sind groß Männer spielen Energie nach vorne oder Center,
Sie sind Bewachung andere groß Männer.
Und damit das macht Sinn ein kleine bisschen mehr.
Wachen neigen zu setzen hoch mehr Punkte in der NBA mit der Hervorhebung
an drei- Punkt Schießen jetzt.
Und ein viel von Straftaten sind Lauf durch etwas von diese kleiner Spieler
WHO neigen zu sein bewacht durch andere kleiner Spieler.
Wohingegen diese größer Spieler, mit mehr Blöcke,
sind Bewachung groß Männer WHO vielleicht sind nicht der Schwerpunkt Punkt von der Vergehen,
beiseite von sicher Spieler wie Jokić und Embiid und Giannis.
Aber Das verursacht ein positiv Beziehung,
aber es ist Ja wirklich mehr ein Funktion von der Position
das diese Spieler sind spielen.
Damit ich Gedanke das war ein interessant
bedingt Beziehung zu Markieren innerhalb der Modell,
und es beinhaltet ein kleine bisschen mehr Tiefer Denken Über der Beziehung zwischen
Blockierung, Höhe, und der Punkte das ein beleidigend Spieler setzt hoch.
Damit in Bedingungen von der Modell Gesamt,
wir kann sehen das Das ein und das Lasso regularisiert Modell
sind sehr ähnlich in ihr Vorhersagen.
Brunnen sehen das in mehr Detail bald wann ich kippen zu der 2021 Vorhersagen,
aber der Auswahl dann könnte nicht sein zu bedeutsam.
Beide verfügen über ihr Vorteile.
Von Kurs, Das ein erlaubt uns zu sehen der Bedeutung von mehr von der Variablen,
speziell der Defensive Variablen,
wohingegen der Erste ein hat ein leicht niedriger AIC
und könnte sein besser zum Vorhersagen wenn der Daten ist erhältlich.
Damit beide verlassen ein kleine bisschen zu sein gewünscht
in Bedingungen von vorhersagen viel mehr zuverlässig als der einfach linear Rückschritt.
ich möchten verfügen über gefallen zu sehen Das Wurzel Bedeutet Quadrat Fehler verkleinern mehr,
und es ist etwas ich möchten sehen hinein als ich fortsetzen Das Projekt,
suchen zu versammeln besser Daten, versuchen zu machen der Begegnungen
mehr individualisiert ohne opfern der Normalität von der Antwort Variable,
Dinge wie das.
Aber mit das Sein genannt, diese sind der Modelle das ich verfügen über jetzt,
und wir kann sehen zu Prüfung diese an der 2021 Jahreszeit daher weit.
Damit wenn ich schalten über Hier zum Begegnungen zum 2021,
wir verfügen über der gleich Daten Tisch gerade mit Das Jahre Begegnungen.
Und damit Ich bin gerade an Josch Hirsche Begegnungen rechts jetzt
da ich gehen zu Villanova und er ist ein Villanova großartig,
damit Hier wir verfügen über ihm als ein Spieler, seine Mannschaft, und der Defensive Mannschaften,
seine Statistiken, ihr Statistiken.
Als wir haben bereits gesehen, diese sind alle der Variablen
das könnten sein inbegriffen in der Modell.
Sich entschuldigen zum der schnell Schwenken,
aber Hier wir verfügen über der Vorhersagen bei der Ende.
Damit diese Vorhersage Variablen, oder eher diese Säulen,
sind der Modell Vorhersagen.
Damit unsere Erste ein, unsere Erste Modell, ist der Optimal Mehrere L im Ohr Rückfall
das ist verwenden der Lasso Rückschritt und einschließlich der Punkte pro Spiel Variable.
Als Sie kann sehen in Das Spiel,
er ist vorhergesagt zu setzen hoch 12.8 Punkte und der Restwert Hier ist Über fünf.
Damit in Wirklichkeit Das Restwert ist der Punkte Minus- der Vorhersage.
Damit er eigentlich setzen hoch, Das ist um herum 13 und Das ist um herum fünf,
damit er setzen hoch Über 18 Punkte Hier stattdessen von unsere vorhergesagt 13.
Damit das ist offensichtlich nicht ein großartig messen.
Und dann wir kann sehen bei einigen der Alternative Modell.
Die Alternative Modell Vorhersage ist sehr ähnlich,
und wir Wille sehen Das in größer Detail als ich kippen zurück zu der Power Point und Show Sie
Art von ein kondensiert Ausführung von Das Daten Tisch,
da rechts jetzt ich wissen das Das im JMP ist ein kleine bisschen überwältigend
da es gibt damit viele Variablen, damit viele zufällig Zahlen
Sein geworfen bei Sie.
Damit Ich bin gehen zu schalten zurück
hinein der Power Point zu Show Sie etwas von der Vorhersagen
zum beide Josch Hart Hier und zum Kevin Durant.
Alle rechts, damit jetzt das wir verfügen über unsere zwei Modelle
und der einfach linear Rückschritt zu vergleichen es zu,
wir kann anwenden diese Vorhersagen zu Spiele das Kevin Durant hat gespielt Das Jahreszeit.
Damit Hier sind vier Spiele gespielt in Atlanta, Charlotte, Chicago, und Cleveland.
Im der Erste ein, er erzielt 31 Punkte.
Im Wirklichkeit, beide unsere Modelle vorhergesagt nah dran zu 26 Punkte,
damit der Restwert ist gerade um herum fünf.
Aber, wir sehen das wenn Kevin Durant ist nah dran zu seine Durchschnitt Punkte
um herum 28 oder 29 Punkte pro Spiel,
wann er eigentlich Partituren das, der Vorhersagen sind sehr nah dran
da Punkte pro Spiel wiegt damit schwer in diese Modelle.
Damit, zum Beispiel, in Das Cleveland Spiel,
unsere Erste Modell vorhergesagt 26.2 Punkte, er eigentlich erzielt 27.
Deswegen, der Restwert ist weniger als ein.
Und ähnlich Hier, der Rest weniger als ein
zum der Alternative Modell als Gut.
Damit wir sehen das der Modell zeichnet sich aus wann Spieler ausführen nah dran zu Durchschnitt,
welcher Sie Wille tun die meisten von der Zeit. Aber es gibt offensichtlich Variation,
wie in Das Spiel gegen Charlotte, er hatte ein insbesondere gut Spiel.
Er erzielt 38 Punkte.
Es ist ein großartig Spiel, aber insbesondere gut Spiel durch Kevin Durant Normen.
Und damit der Modell Vorhersagen sind viel weiter aus.
Und wir sehen der gleich Ding mit Josch Hart.
Seine Punkte Durchschnitt ein kleine bisschen niedriger da er wiederum, trägt ein Feuerzeug Belastung.
Kevin Durant ist ein Stern Spieler an der Netze,
damit er ist bekommen ein viel von berührt und nehmen ein gut Portion von diese Schüsse.
Damit Hier wir verfügen über Hirsche Produktion.
Aufs Neue, seine Punkte Durchschnitt es ist näher zu diese 12 und 14 Reichweite.
Damit der Reste Hier sind sehr klein.
Wann er setzt hoch 14,
unsere Modelle vorhergesagt um herum 13.5 und der Reste sind um 0,5 .
Damit wir verfügen über Ja wirklich gut Vorhersagen zum wann er Partituren
ein Durchschnitt Menge von Punkte oder nah dran zu ein Durchschnitt Menge von Punkte.
Aber wann er Partituren weniger oder viel größer
dann der Vorhersagen neigen zu leiden ein kleine bisschen.
Damit mit alle Das Sein genannt, ich wissen ich lief durch diese Modelle.
Lasst uns nehmen ein Schritt zurück und sehen bei der Einschränkungen in Detail
und etwas des Weiteren lernen das ich könnten umarmen.
Damit Erste von alle, diese sind verwenden Durchschnitte durch der beleidigend Spieler und Defensive Mannschaft
als entgegen zu beleidigend Spieler und Individuell Spieler.
Als Ich habe erwähnt, das möchten sein der Ideal Szenario,
aber als ich war tun es, es nicht Arbeit aus wie das.
Damit das könnten sein verursacht etwas Probleme da es ist duplizieren etwas Ergebnisse.
Stattdessen von Sein Sortieren von ein ein zu ein,
wenn ein Spieler ist Sein bewacht durch Das Spieler,
Das ist wie viele Punkte Sie Wille Ergebnis.
Wenn ein Spieler ist Sein bewacht durch ein Kombination von Spieler an Das Mannschaft,
Das ist wie viele Punkte Sie Wille Ergebnis.
Damit es ist Einfacher zu Vorhersagen aber vielleicht ein kleine weniger genau.
Zusätzlich, der Durchschnitte sind zum der gesamte Jahreszeit,
welcher bedeutet Vorhersagen zu der Anfang dürfen sein weniger genau,
als ich erwähnt, welcher ist etwas das ich Überlegen der Werdegang Werte
Versuchen zu Abhilfe ein kleine bisschen.
Es könnten sein Wert Hinzufügen Dinge wie Punkte pro Spiel
in der Jahreszeit Variablen mit ein Verzögerung von vielleicht fünf Jahreszeiten.
Damit nehmen der Durchschnitt Punkte pro Spiel zum der zuletzt Jahreszeit, zwei Jahreszeiten vor,
drei Jahreszeiten vor, und damit an zu Versuchen zu addieren etwas mehr Variablen
und vielleicht Vorhersagen ein Zeit oder ein Trend in Spieler Leistung.
Zusätzlich, Spieler Leistung ist abhängig an unzählige andere Faktoren
eine solche als kalt oder heiß Streifen,
wie Gut Sie haben gewesen durchführen als von spät,
Verletzungen an ihr eigen Mannschaft, Verletzungen an der entgegen Mannschaft
das könnten Zunahme oder verkleinern ihr Rolle,
untergeordnet Verletzungen das Sie sind Umgang mit sich
das könnten verkleinern oder Zunahme ihr Rolle.
Und dann Dinge wie sich ausruhen Tage,
Reisen Zeit, und ein viel von andere immaterielle Werte
wie NBA Spieler sind Mensch und wir alle wissen etwas Tage wurden nicht Gefühl der Beste,
andere Tage wurden Gefühl großartig, mehr energisch.
Diese Typen von Dinge könnten das Blei zu besser Leistung oder schlechter Leistung.
Damit diese immaterielle Werte sind
nicht gehen zu sein etwas das ich kann Faktor hinein der Modell
aber es ist wichtig zu erkenne das Sie könnten still beeinträchtigen
der Punkte in ein gegeben Spiel.
Im Bedingungen von des Weiteren lernen,
ich möchten Liebe zu Art von beheben alle diese Einschränkungen
und sehen zu Vorhersagen ein mehr ganzheitlich Variable
eine solche als beleidigend Bewertung.
Damit beleidigend Bewertung ist gehen zu Vorhersagen ein Spieler Punkte pro 100 Besitztümer
beigetragen zu der Spiel stattdessen von gerade ein Aspekt von der Spiel in Punkte.
ich möchten Liebe zu Vorhersagen etwas wie Das oder kippen es zu der Defensive Seite
und Vorhersagen ein Defensive Bewertung basierend an WHO Sie sind wahrscheinlich
zu gehen hoch gegen an Vergehen.
Damit etwas wie das ich Überlegen möchten sein Ja wirklich kühl
und es möchten erweitern der Anwendung von Das mehr zu Trainer
und Mannschaft Analytiker stattdessen von vielleicht etwas von der Fantasie Basketball Spieler
WHO sind suchen zum ein strikt Messung wie Punkte oder etwas wie das.
Damit mit alle Das Sein genannt,
Ich bin bestimmt gehen zu fortsetzen Arbeiten an Das Projekt.
Es war ein viel von Spaß und ich Liebe suchen bei diese Modelle
und Dolmetschen von ein Basketball Standpunkt was ist gehen an.
Wenn Sie verfügen über irgendein Fragen, bitte fühlen kostenlos zu setzen diese Fragen
in mein Gemeinschaft Post in der Bemerkungen. Krank sein glücklich zu Antworten Ihnen.
Und wenn Sie verfügen über irgendein Vorschläge als Gut zum des Weiteren lernen,
ich möchten Auch sein glücklich zu nehmen diese an. Dank Sie damit viel dein Zeit.
