Hallo, alle. Mein Name Ist Kevin O’Donnell.
Ich bin A JMP Global Kundenreferenz Praktikant,
Und Heute Krank Sei präsentieren An A persönlich Analytik Projekt
Das Ich habe Erledigt Das Ist Die NBA Spieler Matchup-Modell.
So Nur Zu erhalten gestartet,
ICH würde wie Zu gehen über Mein Idee Und Die Beweggründe für Gebäude Die Modell.
Ich habe stets gewesen unglaublich interessiert In Basketball.
Ich habe gewesen A riesig Basketball Fan für Mein ganz Leben,
Und ICH War suchen für A neu Analytik Projekt Zu tauchen hinein,
So ICH beendet hoch fragen Das Frage Hier:
Könnte Wir Modell A Spieler beleidigend Erfolg
basierend An ihre Durchschnitte Und Die Stärke von ihre Gegner als Also?
So als am meisten von uns wissen aus Aufpassen beliebig Sport,
Spieler Leistung variiert sehr aus Spiel Zu Spiel.
Es ist basierend An A Vielfalt von Faktoren
Und eins von diese Sein A Spieler Durchschnitt Punkte.
Das Wille Sei A sehr stark Anzeichen für Punkte In ein NBA Spiel,
Aber es ist weit aus Die nur beeinflussen An A Spieler beleidigend Leistung.
So gehen hinein Das Projekt,
ICH gesucht Zu bauen A Modell Das vorhergesagt Die Spieler Punkte In Die Spiel
basierend An Die Punkte pro Spiel,
Aber Auch A viel von andere Variablen welche Wir Wille sehen hinein An Die nächste gleiten.
So im Idealfall, Das Wille Sei hilfreich für Trainer Und Team Analytiker Zu,
für Beispiel, bestimmen welche von ihre beleidigend Spieler Sind wahrscheinlich
Zu über ausführen oder fähig Zu ausführen Wirklich Also
basierend An ihre passen UPS Und Vize umgekehrt, welche von ihre Spieler Sie könnte wollen
Zu vermeiden An Delikt Weil Sie sind Sein bewacht
von manche von Die am besten Defensive Spieler An Die andere Team.
Das könnte informieren spielen Berufung Und Spiel Planung,
So Wenn A besondere Verteidiger Ist schwächer, Trainer dürfen sehen Zu Ziel Das passen hoch
oder sehen Zu Gewalt A schalten auf zu ihre am besten Torschütze.
In Die Unterhaltung Reich,
Fantasie Basketball Spieler könnte verwenden Das Daten Zu Figur aus
WHO Zu Start oder WHO Zu wählen hoch aus Die Verzicht Kabel,
So Es hat A breit Bereich von Anwendungen.
So Hier ist A wenig Bit von Die Überblick von Die Daten.
Krank gehen durch Das schnell, und ... nun ja sehen Das als ICH gehen
hinein Die JMP Demo A wenig Bit mehr In Detail,
Aber war gehen Zu vorhersagen Punkte pro Spiel basierend An Sieben hauptsächlich Kategorien von Daten.
So war gehen Zu verwenden Spieler beleidigend Durchschnitte für Die Jahreszeit,
Das beinhaltet Dinge wie Punkte pro Spiel,
3.2 Punkt Prozente, Und fortschrittlich Metriken solch als Verwendung Rate,
welche Aufzeichnungen Wie oft ein beleidigend Spieler Ist gebraucht An ihre Team.
Spieler Attribute solch als Höhe, Flügel Spanne, Vertikale Sprung
Wille Auch Sei inbegriffen für beide Die beleidigend Und Defensive Spieler
Weil diese körperlich Attribute, ICH würde annehmen, Auch beitragen
Zu Wie viele Punkte A Spieler Wille Punktzahl.
Endlich, In Bedingungen von Die beleidigend Spieler,
Also verwenden Karriere Durchschnitte.
Der Dasselbe Durchschnitte Das war verwenden für Die Jahreszeit,
Also Auch verwenden für Die Karriere Zu hinzufügen A wenig mehr Robustheit Zu Die Modell,
Und gesamt Team Tempo Und beleidigend zurückprallen Prozentsatz
Ist Auch gehen Zu Sei A Anzeichen Weil Das Wille bestimmen
Wie viele Besitztümer Dort Wille Sei.
Wenn Dort Sind mehr Besitztümer In Die Spiel, es ist mehr wahrscheinlich Das beliebig gegeben Spieler
Wille haben mehr Punkte.
Usw Das Dasselbe Zeichen, Defensive Team Tempo
Und Defensive zurückprallen Prozentsatz Wille Auch Sei gebraucht.
In Bedingungen von Individuell Defensive Statistiken, Dinge wie stiehlt, Blöcke, Fouls,
Und andere fortschrittlich Metriken solch als Defensive Aktien gewinnen, welche Mittel
ein Individuell Spieler Beitrag Zu Die Teams Gewinnt An Verteidigung.
Diese Sind Auch gehen Zu Sei Prädiktoren Zu
wahrscheinlich negieren Die Menge von Punkte Das Sind erzielt von ein beleidigend Spieler.
Und Dann Endlich, Die Verteidiger Attribute Wille Sei gebraucht als ICH genannt früher.
So Vor Wir erhalten Rechts hinein Die Daten Und Die Modellieren Und JMP,
ICH würde wie Zu gehen über Die zusammenpassen Daten Das ICH War verwenden
für Die Schüttgut von Die Modell.
So Die NBA in letzter Zeit umgesetzt manche neu persönlich passen hoch Daten Sammlung
Und es ist basierend An detailliert Spieler Verfolgung.
So Es Spuren Die am nächsten Verteidiger bei jeden Punkt,
nicht Nur Die primär Verteidiger An A spielen.
Es nur Spuren Vorderseite Gericht Zeit Und Es Wille Schiene teilweise Besitztümer.
So Was Das bedeutet Ist Das A Spieler könnte Sei bewacht von
als viele als fünf anders Spieler An A einzel spielen,
Und jede Verteidiger würde Sei verliehen Die jeweilig Menge
von zusammenpassen Protokoll für Das Besitz.
So Hier Wir haben ein Beispiel von Frottee Rosiger für Die Hornissen
Sein bewacht von vier anders Spieler An anders Mannschaften.
In Die Erste Reihe, Steph Curry Ist Bewachung ihn
In nur eins Spiel für 2.7 Protokoll Und erlaubt zwei Punkte.
So Wenn Wir denken von A hypothetisch Wo Die Hornissen Sind spielen
Steph Currys Golden Zustand Krieger Und Curry bewacht Rosiger für 10 Sekunden,
Und Dann Klay Thompson geschaltet An Zu Rosiger für andere 10 Sekunden,
beide würde Sei verliehen diese 10 Sekunden von zusammenpassen Zeit.
Jedoch, Wenn Rosiger erzielt A zwei Zeiger bei Die Ende von Das Besitz,
Die Punkte würde Sei markiert für Klay Thompson.
Das Ist Wirklich Cool Verfolgung Daten Und ICH Liebe Wie Spezifisch Es Ist,
Aber Es tat Ursache manche Probleme Wenn Ich habe es versucht Zu Modell Die Punkte pro Minute
für jede Spieler Und Verteidiger Kombination, welche War Mein Original planen.
So ICH War ursprünglich gehen Zu verwenden Die beleidigend Spieler Statistiken
Und Defensive Spieler Statistiken Das ICH genannt In Die vorherige gleiten
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 für ein Durchschnitt von unter eins Minute A Spiel,
das ist nicht genug Zeit
für manche von diese Punkte pro Minute Messungen Zu Sei normal.
So gehen zurück Zu Das Klay Thompson hypothetisch,
Wenn Klay nur bewacht Rosiger für 10 Sekunden Die ganz Spiel
Und Rosiger haben Zu Punktzahl zwei Punkte In Das Besitz,
Dann Roziers Punkte pro Minute gegen Klay In Das Reihe würde Sei 12.
So offensichtlich, extrapolieren Das Zu A voll Spiel,
selbst ausschließlich Die zurück Gericht Zeit als Das Daten tut, es ist sehr unrealistisch.
So ICH hatte Zu gehen mit A leicht anders, weniger Ideal Ansatz.
Stattdessen von verwenden Die Individuell Defensive Statistiken,
ICH Genau genommen gemittelt ihnen aus
für jede Kombination von Spieler Und Defensive Team.
So stattdessen von verwenden Rosiger gegen Curry Und Rosiger gegen Thompson,
ICH würde verwenden Rosiger gegen Die gesamte Golden Zustand Krieger Durchschnitt basierend An
Die Menge von zusammenpassen Protokoll Das jede Spieler verteidigt Rosiger.
So für Beispiel,
Wenn Steph Curry Und Klay Thompson beide bewacht ihn für Hälfte Die Menge
von möglich passen hoch Protokoll, Dann Die Team Durchschnitt,
Lasst uns sagen stiehlt pro Spiel, würde Nur Sei Die Arithmetik bedeuten
von Curry stiehlt Und Klay stiehlt pro Spiel.
Der Dasselbe würde gehen für jeden Defensive Variable
Und das ist offensichtlich A einfach Beispiel,
Aber Die Dasselbe geht für jeden Spieler gegen jeden Team.
So offensichtlich Das Ist nicht Ideal Weil Es minimiert
Die Individualität von Die zusammenpassen.
Aber ICH hatte Zu aufgeben Das Punkte pro Minute Ansatz
Weil Die Proben war zu klein Und Die Antwort War schwer verzerrt.
So Das Modell Das Ich habe erstellt mit Die aggregiert Daten Ist mehr präzise
als Mein Initial Versuche, selbst obwohl Es Opfer manche Individualität.
So bei Das Punkt, Ich bin gehen Zu schalten hinein JMP Hier
Und Tun A wenig Bit von Die Demo auf wie ICH gebaut Die Modell
Und manche explorativ Daten Analyse Zu Start.
So Zu Start, war Nur gehen Zu sehen bei manche marginal Beziehungen
mit Punkte In Die Graph Baumeister,
Und Ich bin fähig Zu wählen beliebig ICH wollen.
Aber für Jetzt war gehen Zu sehen speziell bei drei Variablen,
Die Erste Sein Punkte pro Spiel.
So Wir sehen Hier, Wir haben A mäßig Beziehung
mit Punkte Und Punkte pro Spiel, Und Es Ist positiv als Wir würde erwarten.
Der Durchschnitt Punkte Das jemand setzt hoch In A Spiel,
oder über Die Kurs von Die Jahreszeit eher, Ist gehen Zu offensichtlich beeinflussen
Wie viele Punkte Sie Punktzahl In A Spiel.
Ähnlich, etwas wie Verwendung Rate,
Die fortschrittlich Statistiken Das ICH War diskutieren früher,
Auch hat A positiv Beziehung,
Nur leicht schwächer als Die Beziehung zwischen Punkte Und Punkte pro Spiel.
Endlich, Wenn Wir sehen bei manche von Die Karriere Statistiken,
Wenn Wir sehen bei Karriere Punkte pro Spiel, Dann nochmal Wir sehen A positiv Beziehung,
Aber Das Ist A wenig Bit schwächer Weil es ist gemittelt über Die Kurs
von A Spieler Karriere eher als Die Jahreszeit Das war momentan In.
Aber hoffentlich Das könnte Hilfe anpassen für manche wesentlich Unterschiede
In Die Punkte pro Spiel Summen oder Durchschnitte eher.
So Jetzt Das Wir haben eine Sorte von ein Idee von Die Daten selbst,
Wir dürfen Umzug hinein Die einfach linear Rückschritt
mit Punkte von Punkte pro Spiel als A Benchmark für Das Modell.
So als ICH genannt,
Du dürfen vorhersagen basierend An Nur Punkte pro Spiel
Und Es Wille geben Du A anständig Vorhersage.
Aber war suchen Zu verbessern Das Vorhersage von hinzufügen
manche von diese anders Variablen, beleidigend Und Defensive.
So Wenn Wir laufen Das Skript Hier,
Das Ist Nur vergleichen manche läuft von A einfach linear Rückschritt
An Die Ausbildung Und Validierung Satz verwenden KFalten Validierung hindurch.
Und Wenn ICH laufen Hier verwenden Die Versteckt Validierung 2 Spalte
Das Krank Sei verwenden für Die Rest von diese Modelle,
Dann Wir dürfen sehen Die Rückschritt Hier.
So Hier ist A Rückschritt Parzelle. Es sieht aus hübsch verstreut.
Es gibt nicht A klar linear Beziehung, Aber Die RS Quadrat Ist mäßig,
Bedeutung Das 46,5 Prozent von Die Variation In Punkte Ist abgerechnet für
von Das Durchschnitt Punkte pro Spiel, welche Ist hübsch Gut.
Und Die Root-Mean-Square-Fehler Ist um 5. 27.
Der Root-Mean-Square-Fehler ist der Standard Abweichung von Die Restwert,
So es ist im Wesentlichen Die Variation In Wie Also unser Modell Ist vorhersagen.
Es ist Standard Abweichung Ist um fünf.
Und Wir dürfen Auch sehen bei manche andere Mittel,
solch als Die AIC, welche Ist gebraucht Zu vergleichen Modelle für Vorhersagbarkeit.
So AIC Ist andere wichtig messen,
Und Es Mittel Wie Also Die Modell Wille vorhersagen
relativ Zu Die Nummer von Prädiktoren setzen In Die Modell,
Nur Zu machen Sicher du bist nicht hinzufügen Weg zu viele.
So In Das Fall, Die AIC Ist sehr hoch, Und Wir dürfen kommen zurück Zu Das Nummer
als Wir sehen bei Die Vergleich zwischen Das Und Die mehrere linear Rückschritt
Das ICH Wille zeigen später.
So während ICH War versuchen Zu wählen Die Modell Das ICH War gehen Zu wählen,
ICH entschieden Zu verwenden Die Modell Screening Besonderheit In JMP,
welche erlaubt Du Zu wählen dein Antwort Variablen Und alle Die Faktor Variablen.
ICH beendet hoch Putten In alle von Die numerisch Variablen Das ICH hatte für A voll Modell
Nur Zu sehen anfänglich welche Modelle ausführen Die am besten.
Und ICH War fähig Zu wählen aus A Vielfalt von diese anders Methoden,
einschließlich XGB oost Und Verallgemeinertes R Austritt,
Und Dann von Kurs, Nur Die normal Mieten Quadrat.
In Die Interesse von Zeit, Das würde nehmen für immer Zu laufen
Weil es ist verwenden manche von diese Maschine Lernen Algorithmen.
So Ich bin stattdessen Nur gehen Zu ziehen hoch ein schneller Bildschirmfoto von Die Modell Screening.
So Hier Wir haben Die Ausgang aus Das Modell Screening.
Es zeigt an Die RS Quadrat.
Nochmal, ICH War verwenden KFold Validierung mit zehn Falten Hier.
So Das zeigt an Die RS Quadrat
Und Die Wurzel M ean Quadrat Fehler für jede laufen.
So Wir dürfen sehen Das Die Am wenigsten Quadrat Fit Genau genommen hatte
A sehr stark fit verglichen Zu manche von Die Maschine Lernen Algorithmen,
welche ICH War überrascht von. Aber Es Genau genommen hilft für Interpretierbarkeit
Weil manche von diese Maschine Lernen Algorithmen,
Sie sind mehr von A Schwarz Kasten. Und Wenn ICH war Zu verwenden diese,
Es würde nicht Sei als einfach Zu interpretieren Die Koeffizienten oder sehen
welche Variablen Sind wirklich bedeutsam
oder welche Sind Nur Sein gebraucht für Vorhersage.
So Weil Die passend von Letzter Versuch Und Die Lasso-Regression,
welche Krank erhalten hinein A wenig Bit später, war So hoch,
es ist Genau genommen A Gut Zeichen Das Ich bin fähig Zu verwenden Das für besser Interpretierbarkeit.
So als Wir dürfen sehen, Die am meisten präzise Modell Ist Das mehrere linear Rückschritt
mit Lasso Regulierung.
Lasso Regulierung Ist A statistisch Technik Das reguliert Die Modell
Und wählt Merkmale Zu minimieren Multikollinearität.
Multikollinearität Ist Die Korrelation zwischen Prädiktoren
Und Das dürfen negativ beeinträchtigen Die Modell.
So verwenden Das Technik,
war fähig Zu nehmen Die voll linear Rückschritt Modell gezeigt Hier
Und entfernen manche von Die Variablen Zu minimieren Die Multikollinearität
Und Vielleicht erfüllen manche von Die linear Annahmen besser.
So mit Das Information,
ICH War fähig Zu nehmen Die Variablen ausgewählt mit Lasso Regulierung
Und Dann erstellen A mehrere linear Rückschritt verwenden diese Variablen.
So als Du dürfen sehen Hier,
Die Tatsächlich von Vorhergesagt Parzelle sieht aus hübsch ähnlich.
Es könnte Sei leicht näher Zu Die Linie von am besten fit Hier, welche Ist A Gut Zeichen.
Und Wir dürfen sehen unser Wirkung Zusammenfassungen,
Aber war gehen Zu scrollen A wenig Bit Vergangenheit Das
So Das Wir erhalten Zu Die Zusammenfassung von unser fit.
So verglichen Zu Die einfach linear Rückschritt,
Die RS Quadrat Und Die Angepasst RS Quadrat Sind sehr ähnlich Und das ist wahrscheinlich
Weil Punkte pro Spiel Ist solch A schwer einflussreich Faktor In Das,
als Also als Die einfach linear Rückschritt, offensichtlich.
So Die fit Ist nicht zu viel anders.
Jedoch, hinzufügen diese anders Variablen gezeigt Hier tut verbessern
Die Wurzel M ean Quadrat Fehler A wenig Bit.
Es ging aus um 5.3 Zu wenig über 5.2, welche Ist nicht A drastisch Verbesserung,
Aber ein Verbesserung dennoch.
Aber Die real Unterschied Hier Ist In Die AIC Und vergleichen diese Modelle In Bedingungen
von ihre Vorhersagbarkeit, Die AIC fallen gelassen bedeutend
aus Die einfach linear Rückschritt Zu Das mehrere linear Rückschritt
mit Lasso R Gleichförmigkeit, welche Ist definitiv A Gut Zeichen.
Wir sehen manche von diese Parameter Schätzungen runter Hier Und von Kurs Die Ergebnisse
für RS Quadrat Und Wurzel Bedeuten Quadrat Fehler In kreuzen Validierung.
So suchen bei manche von diese Parameter E Schätzungen,
Die Punkte pro Spiel, nochmal sehr bedeutsam,
es ist signifikant bei Die 0,05 ein lpha eben Und viele unter Das.
Und Das Ist Zu Sei erwartet, als wir haben erklärt bereits.
Umsatz Prozentsatz Ist Auch bedeutsam
Und Das hat A Negativ Beziehung mit Punkte.
Als eins würde erwarten, Wenn du bist drehen Die Ball über mehr,
das ist weniger Gelegenheiten Zu schießen Die Ball,
weniger Gelegenheiten Zu Punktzahl.
So Das Schecks aus mit Nur unser Wissen von Basketball.
Hier Wir haben Die Defensive Tempo, oder Die Tempo von Die Defensive Team,
Und Das hat A leicht positiv Beziehung mit Punkte bedingt
An Die andere Faktoren In Die Modell.
Nochmal, das ist Zu Sei erwartet Weil Die Schneller A Team Theaterstücke,
das ist allgemein mehr Chancen.
Jedoch, Es könnte nicht haben solch A stark Wirkung als Umsätze oder Punkte pro Spiel.
Und Dann Endlich, Defensive zurückprallen Prozentsatz.
Das Ist Nur Wie oft Die Defensive Team Züge Die Defensive Rebound.
Nochmal, Das Ist verhindern zweite Chance Punkte für Die Delikt,
So Es sollen haben A Negativ Beziehung Schiff, welche Es tut.
So alle diese Dinge überprüfen aus,
Und Dann manche von diese andere Variablen Sind unbedeutend bedingt,
Aber inbegriffen Weil Sie verbessern Die Vorhersagbarkeit von Die Modell.
So etwas wie Verwendung Rate könnte nicht Sei bedeutsam bei Die .05 eben,
Aber Es dennoch verbessert unser Vorhersagen.
Jetzt, wissen Das Punkte pro Spiel könnte nicht Sei verfügbar
bei Die Anfang von Die Jahreszeit, Zu Die Ausmaß Das Es Ist
nahe Die Ende von Die Jahreszeit,
Bedeutung Das Punkte pro Spiel könnte Sei A wenig weniger zuverlässig
mit A kleiner Probe Größe.
Ausweis sehen Zu erstellen ein wechseln Modell ohne Das
Zu sehen Wenn ICH könnte still vorhersagen
besser als Die einfach linear Rückschritt Und ähnlich Zu Die Lasso Rückschritt,
Aber ohne Abhängigkeit An A Punkte pro Spiel für Die Jahreszeit messen.
So Das wechseln Modell, ICH erstellt verwenden rückwärts Auswahl von AIC.
Und nochmal ICH links aus Die Jahreszeit Punkte pro Spiel,
So Es still beinhaltet Die andere Punkte pro Spiel Messungen,
oder andere pro Spiel Messungen eher,
wie Feld Ziele versucht aus drei Und aus zwei,
welche entlang mit manche von diese andere Variablen dürfen Sei A Proxy für
Das Durchschnitt Punkte pro Spiel.
So Es' S nicht vollständig robust gegen früh Jahreszeit Schwankungen
Und klein Probe Größen.
Aber es ist möglich Das diese Variablen könnte Sei A wenig Bit mehr Vertreter
von Wie A Spieler Ist gehen Zu ausführen In Die lang laufen.
Ich bin Denken Das Vielleicht
Spieler könnte Sei A wenig mehr konsistent mit ihre versucht Statistiken,
oder Die Rate bei welche Sie sind Schießen Die Ball,
eher als Nur Die Menge von Punkte Sie erhalten Das könnte variieren basierend An
Nur A klein Probe Größe.
Diese könnte als Also Aber...
Nur verwenden Das Modell als ein Alternative,
Und Es wendet sich aus Das Es Genau genommen prognostiziert
hübsch ähnlich Zu Die Modell mit Punkte pro Spiel In Es.
So Es könnte nicht Sei bevorzugt Notwendig Wenn Punkte pro Spiel Ist verfügbar.
Unangemessen Aber Es bietet A ähnlich Vorhersage.
So Wir dürfen sehen Das Die RS Quadrat Ist hübsch ähnlich,
dürfen haben erhöht A wenig Bit,
Und Die Wurzel Bedeuten Quadrat Fehler Ist nochmal ähnlich.
Der AIC schlägt vor Das Die andere Modell Ist A besser Modell für vorhersagen
basierend An Die Menge von Variablen inbegriffen, So Das Ist definitiv etwas Zu Notiz.
Aber jede Modell hat es ist Vorteile.
Das eins, insbesondere,
Wir dürfen sehen manche von Die bedingt Beziehungen von Die andere Variablen,
insbesondere diese An Die Defensive Seite, Das Wir konnte nicht sehen als viel
In Die andere eins Weil Punkte pro Spiel War dominierend So viel.
So Wir sehen Hier Das zwei Zeiger Und drei Zeiger versucht
Sind Wiegen unbedeutend für Punkte, welche nochmal,
Das macht Sinn Weil Die mehr Schüsse du bist nehmen,
Die mehr wahrscheinlich Du Sind Zu Punktzahl mehr Punkte.
Und Dann Dort Sind manche andere Variablen Das machen Sinn,
Und manche Andere Das Vielleicht Bereich wenig verwirrend bei Erste Sicht.
So beleidigend Aktien gewinnen,
Das Sein A bedeutsam Variable macht Sinn das ist Messung
Wie viel A Spieler Ist beitragen Zu Gewinnt An Die beleidigend Seite,
Es macht Sinn Das Das hat A positiv Beziehung
als Wir dürfen sehen runter Hier.
So beleidigend Aktien gewinnen Rechts Hier hat A positiv Beziehung.
Und Auch Die Defensive zurückprallen Prozentsatz runter Hier
nimmt ab Die Einschätzung nochmal, So Das Ist hübsch konsistent
mit Was wir haben gesehen In Die vorherige Modell.
Durchschnitt Fouls pro Spiel, Durchschnitt persönlich Fouls pro Spiel runter Hier,
hat A Negativ Wirkung was ich dachte War interessant.
So A Spieler oder Team mit A höher Foul gesamt
Ist gehen Zu negativ beeinträchtigen Die Punkte erzielt für Die beleidigend Spieler.
Das könnte bedeuten Sie sind mehr aggressiv.
ICH würde annehmen Das Sie Sind spielen Intensiver Verteidigung In begrenzen Punkte
durch stiehlt, Blöcke, oder schwer bestritten Schüsse,
Und als A Ergebnis, Sie sind bekommen mehr Fouls genannt An ihnen.
Jedoch, Das Ist nicht alle Gut für Die Verteidigung
Weil seit Die Spieler dürfen Foul aus mit sechs Fouls,
Dort Ist A bestimmt Gleichgewicht Zu schlagen In Die defensives Ende.
Du nicht wollen Zu Sei zu aggressiv
Weil Dann Du könnte Sei geben hoch Einfacher Punkte
oder Du könnte Sei führend dein Spieler hinein Foul Problem.
So das ist ein interessant Variable, ICH denken, Zu halten.
Und von Kurs, Das Ist A bedingt Bedeutung,
So Es könnte ändern leicht basierend An Die Entfernung
oder Zusatz von bestimmt andere Variablen.
Und Endlich, A Paar von Defensive Beziehungen
Sind insbesondere verwirrend bei Erste Blick, ICH denken.
Speziell einbeziehen Blöcke Und Verteidiger Höhe.
So Wir denken von Basketball als seiend sehr abhängig An Höhe.
Wenn Du Sind größer, du bist mehr wahrscheinlich Zu gehen Zu Die NBA.
Sieben Fußzeilen, ICH denken Du haben A 20 Prozent Chance
von Nur gehen Zu Die NBA selbst Wenn Du Sind sieben Fuß.
So Das Ist etwas Das Wir denken, wenn du Block Schüsse mehr Und du bist größer,
du bist gehen Zu Sei beeinflussen Die Vergehen Punkte negativ.
Jedoch, Wir sehen Das diese Beziehungen Sind Genau genommen bedingt positiv,
welche Ist sehr interessant dieser Durchschnitt Blöcke pro Spiel
Und Die Verteidiger Höhe, als Also als Die Blockierung Rate,
Sind alle positiv Beziehungen.
Und So anfänglich, ICH War verwirrt von Das, Aber ICH denken Das hat mehr Zu Sag über
Die Spieler Das diese Spieler Sind Bewachung eher als
Die tatsächlich Variablen sich.
So Was ICH bedeuten von Das Ist Wenn Du denkst darüber nach Das größer Spieler
mit besser Blockierung Statistiken Sind groß Männer spielen Leistung nach vorne oder Center,
Sie sind Bewachung andere groß Männer.
Und So Das macht Sinn A wenig Bit mehr.
Wachen neigen Zu setzen hoch mehr Punkte In Die NBA mit Die Schwerpunkt
An drei- Punkt Schießen Jetzt.
Und A viel von Straftaten Sind laufen durch manche von diese kleiner Spieler
WHO neigen Zu Sei bewacht von andere kleiner Spieler.
Wohingegen diese größer Spieler, mit mehr Blöcke,
Sind Bewachung groß Männer WHO Vielleicht sind nicht Die Schwerpunkt Punkt von Die Delikt,
beiseite aus bestimmt Spieler wie Jokić Und Embiid Und Giannis.
Aber Das verursacht A positiv Beziehung,
Aber es ist Wirklich mehr A Funktion von Die Position
Das diese Spieler Sind spielen.
So ICH Gedanke Das War ein interessant
bedingt Beziehung Zu Markieren innerhalb Die Modell,
Und Es beinhaltet A wenig Bit mehr Tiefer Denken um Die Beziehung zwischen
Blockierung, Höhe, Und Die Punkte Das ein beleidigend Spieler setzt hoch.
So In Bedingungen von Die Modell gesamt,
Wir dürfen sehen Das Das eins und das Lasso regularisiert Modell
Sind sehr ähnlich In ihre Vorhersagen.
Also sehen Das In mehr Detail bald Wenn ICH kippen Zu Die 2021 Vorhersagen,
Aber Die Auswahl Dann könnte nicht Sei zu bedeutsam.
Beide haben ihre Vorteile.
Von Kurs, Das eins erlaubt uns Zu sehen Die Bedeutung von mehr von Die Variablen,
speziell Die Defensive Variablen,
wohingegen Die Erste eins hat A leicht untere AIC
Und könnte Sei besser für Vorhersagen Wenn Die Daten Ist verfügbar.
So beide verlassen A wenig Bit Zu Sei gewünscht
In Bedingungen von vorhersagen viel mehr zuverlässig als Die einfach linear Rückschritt.
ICH würde haben gefallen Zu sehen Das Wurzel Bedeutet Quadrat Fehler verringern mehr,
Und es ist etwas ICH würde sehen hinein als ICH weitermachen Das Projekt,
suchen Zu versammeln besser Daten, versuchen Zu machen Die Begegnungen
mehr individualisiert ohne opfern Die Normalität von Die Antwort Variable,
Dinge wie Das.
Aber mit Das Sein genannt, diese Sind Die Modelle Das ICH haben Jetzt,
Und Wir dürfen sehen Zu prüfen diese An Die 2021 Jahreszeit daher weit.
So Wenn ICH schalten über Hier zum Begegnungen für 2021,
Wir haben Die Dasselbe Daten Tisch Nur mit Das Jahre Begegnungen.
Und So Ich bin Nur An Josch Hirsche Begegnungen Rechts Jetzt
Weil ICH gehen Zu Villanova Und er ist A Villanova großartig,
So Hier Wir haben ihn als A Spieler, sein Team, Und Die Defensive Mannschaften,
sein Statistiken, ihre Statistiken.
Als wir haben bereits gesehen, diese Sind alle Die Variablen
Das könnte Sei inbegriffen In Die Modell.
Sich entschuldigen für Die schnell Schwenken,
Aber Hier Wir haben Die Vorhersagen bei Die Ende.
So diese Vorhersage Variablen, oder eher diese Säulen,
Sind Die Modell Vorhersagen.
So unser Erste eins, unser Erste Modell, Ist Die Optimal Mehrere L im Ohr Rückfall
das ist verwenden Die Lasso Rückschritt Und einschließlich Die Punkte pro Spiel Variable.
Als Du dürfen sehen In Das Spiel,
Er Ist vorhergesagt Zu setzen hoch 12.8 Punkte Und Die Restwert Hier Ist um fünf.
So In Wirklichkeit Das Restwert ist der Punkte Minus Die Vorhersage.
So Er Genau genommen setzen hoch, Das Ist um 13 Und Das Ist um fünf,
So Er setzen hoch um 18 Punkte Hier stattdessen von unser vorhergesagt 13.
So das ist offensichtlich nicht A Großartig messen.
Und Dann Wir dürfen sehen bei einigen Die Alternative Modell.
Der Alternative Modell Vorhersage Ist sehr ähnlich,
Und Wir Wille sehen Das In größer Detail als ICH kippen zurück Zu Die Steckdose Und zeigen Du
Art von A kondensiert Ausführung von Das Daten Tisch,
Weil Rechts Jetzt ICH wissen Das Das im JMP Ist A wenig Bit überwältigend
Weil es gibt So viele Variablen, So viele willkürlich Zahlen
Sein geworfen bei Du.
So Ich bin gehen Zu schalten zurück
hinein Die Steckdose Zu zeigen Du manche von Die Vorhersagen
für beide Josch Hart Hier Und für Kevin Durant.
Alle Rechts, So Jetzt Das Wir haben unser zwei Modelle
Und Die einfach linear Rückschritt Zu vergleichen Es Zu,
Wir dürfen anwenden diese Vorhersagen Zu Spiele Das Kevin Durant hat gespielt Das Jahreszeit.
So Hier Sind vier Spiele gespielt in Atlanta, Charlotte, Chicago, Und Cleveland.
In Die Erste eins, Er erzielt 31 Punkte.
In Wirklichkeit, beide unser Modelle vorhergesagt schließen Zu 26 Punkte,
So Die Restwert Ist Nur um fünf.
Jedoch, Wir sehen Das wenn Kevin Durant Ist schließen Zu sein Durchschnitt Punkte
um 28 oder 29 Punkte pro Spiel,
Wenn Er Genau genommen Partituren Das, Die Vorhersagen Sind sehr schließen
Weil Punkte pro Spiel wiegt So schwer In diese Modelle.
So, für Beispiel, In Das Cleveland Spiel,
unser Erste Modell vorhergesagt 26.2 Punkte, Er Genau genommen erzielt 27.
Deshalb, Die Restwert Ist weniger als eins.
Und ähnlich Hier, Die Rest weniger als eins
für Die Alternative Modell als Also.
So Wir sehen Das Die Modell zeichnet sich aus Wenn Spieler ausführen schließen Zu Durchschnitt,
welche Sie Wille Tun am meisten von Die Zeit. Aber es gibt offensichtlich Variation,
wie In Das Spiel gegen Charlotte, Er hatte A insbesondere Gut Spiel.
Er erzielt 38 Punkte.
Es ist A Großartig Spiel, Aber insbesondere Gut Spiel von Kevin Durant Normen.
Und So Die Modell Vorhersagen Sind viel weiter aus.
Und Wir sehen Die Dasselbe Ding mit Josch Hart.
Sein Punkte Durchschnitt A wenig Bit untere Weil er wiederum, trägt A Feuerzeug Belastung.
Kevin Durant Ist A Stern Spieler An Die Netze,
So er ist bekommen A viel von berührt Und nehmen A Gut Portion von diese Schüsse.
So Hier Wir haben Hirsche Produktion.
Nochmal, sein Punkte Durchschnitt es ist näher Zu diese 12 Und 14 Bereich.
So Die Reste Hier Sind sehr klein.
Wenn Er setzt hoch 14,
unser Modelle vorhergesagt um 13.5 Und Die Reste sind um 0,5 .
So Wir haben Wirklich Gut Vorhersagen für Wenn Er Partituren
ein Durchschnitt Menge von Punkte oder schließen Zu ein Durchschnitt Menge von Punkte.
Aber Wenn Er Partituren weniger oder viel größer
Dann Die Vorhersagen neigen Zu leiden A wenig Bit.
So mit alle Das Sein genannt, ICH wissen ICH lief durch diese Modelle.
Lasst uns nehmen A Schritt zurück Und sehen bei Die Einschränkungen In Detail
Und manche weiter lernen Das ICH könnte umarmen.
So Erste von alle, diese Sind verwenden Durchschnitte von Die beleidigend Spieler Und Defensive Team
als entgegen Zu beleidigend Spieler Und Individuell Spieler.
Als Ich habe genannt, Das würde Sei Die Ideal Szenario,
Aber als ICH War tun Es, Es nicht arbeiten aus wie Das.
So Das könnte Sei verursacht manche Probleme Weil es ist duplizieren manche Ergebnisse.
Stattdessen von Sein Sortieren von A eins Zu eins,
Wenn A Spieler Ist Sein bewacht von Das Spieler,
Das Ist Wie viele Punkte Sie Wille Punktzahl.
Wenn A Spieler Ist Sein bewacht von A Kombination von Spieler An Das Team,
Das Ist Wie viele Punkte Sie Wille Punktzahl.
So es ist Einfacher Zu vorhersagen Aber Vielleicht A wenig weniger präzise.
Zusätzlich, Die Durchschnitte Sind für Die gesamte Jahreszeit,
welche bedeutet Vorhersagen zu Die Anfang dürfen Sei weniger präzise,
als ICH genannt, welche Ist etwas Das ICH denken Die Karriere Werte
versuchen Zu Abhilfe A wenig Bit.
Es könnte Sei Wert Hinzufügen Dinge wie Punkte pro Spiel
In Die Jahreszeit Variablen mit A Verzögerung von Vielleicht fünf Jahreszeiten.
So nehmen Die Durchschnitt Punkte pro Spiel für Die zuletzt Jahreszeit, zwei Jahreszeiten vor,
drei Jahreszeiten vor, Und So An Zu versuchen Zu hinzufügen manche mehr Variablen
Und Vielleicht vorhersagen A Zeit oder A Trend In Spieler Leistung.
Zusätzlich, Spieler Leistung Ist abhängig An unzählige andere Faktoren
solch als kalt oder heiß Streifen,
Wie Also Sie haben gewesen durchführen als von spät,
Verletzungen An ihre eigen Team, Verletzungen An Die entgegen Team
Das könnte Zunahme oder verringern ihre Rolle,
unerheblich Verletzungen Das Sie Sind Umgang mit sich
Das könnte verringern oder Zunahme ihre Rolle.
Und Dann Dinge wie ausruhen Tage,
reisen Zeit, Und A viel von andere immaterielle Werte
wie NBA Spieler Sind menschlich Und Wir alle wissen manche Tage war nicht Gefühl Die am besten,
andere Tage war Gefühl Großartig, mehr energisch.
Diese Typen von Dinge könnte führen Zu besser Leistung oder schlechter Leistung.
So diese immaterielle Werte Sind
nicht gehen Zu Sei etwas Das ICH dürfen Faktor hinein Die Modell
Aber es ist wichtig Zu erkenne Das Sie könnte still beeinträchtigen
Die Punkte In A gegeben Spiel.
In Bedingungen von weiter lernen,
ICH würde Liebe Zu Art von beheben alle diese Einschränkungen
Und sehen Zu vorhersagen A mehr ganzheitlich Variable
solch als beleidigend Bewertung.
So beleidigend Bewertung Ist gehen Zu vorhersagen A Spieler Punkte pro 100 Besitztümer
beigetragen Zu Die Spiel stattdessen von Nur eins Aspekt von Die Spiel In Punkte.
ICH würde Liebe Zu vorhersagen etwas wie Das oder kippen Es Zu Die Defensive Seite
Und vorhersagen A Defensive Bewertung basierend An WHO Sie sind wahrscheinlich
Zu gehen hoch gegen An Delikt.
So etwas wie Das ICH denken würde Sei Wirklich Cool
Und Es würde erweitern Die Anwendung von Das mehr zu Trainer
Und Team Analytiker stattdessen von Vielleicht manche von Die Fantasie Basketball Spieler
WHO Sind suchen für A strikt Messung wie Punkte oder etwas wie Das.
So mit alle Das Sein genannt,
Ich bin definitiv gehen Zu weitermachen Arbeiten An Das Projekt.
Es War A viel von Spaß Und ICH Liebe suchen bei diese Modelle
Und Dolmetschen aus A Basketball Standpunkt was ist gehen An.
Wenn Du haben beliebig Fragen, Bitte fühlen frei Zu setzen diese Fragen
In Mein Gemeinschaft Post In Die Kommentare. Krank Sei Glücklich Zu antworten ihnen.
Und Wenn Du haben beliebig Vorschläge als Also für weiter lernen,
ICH würde Auch Sei Glücklich Zu nehmen diese An. Dank Du So viel dein Zeit.
