Ciao, tutti. Il mio nome è Kevin O'Donnell.
sono un JMP Globale Stagista di riferimento del cliente,
e oggi Malato essere presentare su un personale analitica progetto
Quello Io ho fatto Quello è il NBA Giocatore Modello di abbinamento.
Così appena a ottenere iniziato,
io volevo piace a andare terminato mio idea e il motivazioni per costruzione il modello.
Io ho sempre stato incredibilmente interessato in pallacanestro.
Io ho stato un enorme pallacanestro fan per mio totale vita,
e io era analizzare, cercare, guardare per un nuovo analitica progetto a tuffo in,
così io conclusa su chiedendo questo domanda qui:
Potevo noi modello un Giocatori offensivo successo
basato su loro medie e il forza di loro avversari come bene?
Così come più di noi sapere da Guardando qualunque sport,
giocatore prestazione varia notevolmente da gioco a gioco.
È basato su un varietà di fattori
e uno di questi essendo un Giocatori media punti.
Quella volere essere un molto forte predittore per punti in un NBA gioco,
ma è lontano da il solo influenza su un Giocatori offensivo prestazione.
Così andando in questo progetto,
io ricercato a costruire un modello Quello previsto il Giocatori punti in il gioco
basato su il punti per gioco,
ma anche un quantità di Altro variabili quale noi volere Guarda in su il prossimo vetrino.
Così idealmente, questo volere essere utile per allenatori e squadra analisti a,
per esempio, determinare quale di loro offensivo Giocatori sono probabile
a terminato eseguire o capace a eseguire veramente bene
basato su loro incontro UPS e vice viceversa, quale di loro Giocatori essi potrebbe volere
a evitare su offesa perché Loro sono essendo custodito
di alcuni di il migliore difensiva Giocatori su il Altro squadra.
Questo potrebbe far sapere giocare a chiamando e gioco pianificazione,
così Se un particolare difensore è più debole, allenatori Maggio Guarda a obbiettivo Quello incontro su
o Guarda a forza un interruttore su loro migliore marcatore.
Nel il intrattenimento regno,
fantasia pallacanestro Giocatori potevo utilizzo questo dati a figura fuori
chi a cominciare o chi a scegliere su spento il Rinuncia Filo,
così esso ha un ampio allineare di applicazioni.
Così ecco un poco po di il panoramica di il dati.
Malato andare attraverso questo rapidamente, e bene vedere questo come io andare
in il JMP demo un poco po di più in dettaglio,
ma erano andando a prevedere punti per gioco basato su Sette principale categorie di dati.
Così erano andando a utilizzo giocatore offensivo medie per il stagione,
questo include cose piace punti per gioco,
3.2 punto percentuali, e Avanzate metrica come come utilizzo Vota,
quale record come Spesso un offensivo giocatore è Usato su loro squadra.
Giocatore attributi come come altezza, ala intervallo, verticale salto
volere anche essere incluso per entrambi il offensivo e difensiva Giocatori
perché questi fisico attributi, io volevo assumere, anche contribuire
a come molti punti un giocatore volere punto.
Finalmente, in termini di il offensivo Giocatori,
bene utilizzo carriera medie.
Il stesso medie Quello erano usando per il stagione,
bene anche utilizzo per il carriera a Inserisci un poco di più robustezza a il modello,
e globale squadra ritmo e offensivo rimbalzo percentuale
è anche andando a essere un predittore perché Quello volere determinare
come molti possedimenti là volere essere.
Se là sono di più possedimenti in il gioco, è di più probabile Quello qualunque dato giocatore
volere avere di più punti.
E così via Quello stesso gettone, difensiva squadra ritmo
e difensiva rimbalzo percentuale volere anche essere Usato.
Nel termini di individuale difensiva statistiche, cose piace ruba, blocchi, falli,
e Altro Avanzate metrica come come difensiva vincere azioni, quale le misure
un individuale Giocatori contributo a il di squadra vince su difesa.
Quelli sono anche andando a essere predittori a
probabilmente negare il Quantità di punti Quello sono segnato di un offensivo giocatore.
e poi finalmente, il difensore attributi volere essere Usato come io menzionato prima.
Così prima noi ottenere Giusto in il dati e il modellazione e JMP,
io volevo piace a andare terminato il incontro dati Quello io era usando
per il massa di il modello.
Così il NBA recentemente implementato alcuni nuovo personale incontro su dati collezione
e è basato su dettagliato giocatore tracciamento.
Così esso brani il più vicina difensore a ogni punto,
non appena il primario difensore su un giocare a.
Esso solo brani davanti Tribunale volta e esso volere traccia parziale possedimenti.
Così che cosa questo significa è Quello un giocatore potevo essere custodito di
come molti come cinque diverso Giocatori su un separare giocare a,
e ogni difensore volevo essere premiato il rispettivo Quantità
di incontro minuti per Quello possesso.
Così qui noi avere un esempio di Terry Rozier per il Calabroni
essendo custodito di quattro diverso Giocatori su diverso squadre.
Nel il primo riga, Stefano Curry è guardia lui
in solo uno gioco per 2.7 minuti e consentito Due punti.
Così Se noi pensare di un ipotetico dove il Calabroni sono giocando
Stefano di Curry d'oro Stato Guerrieri e Curry custodito Rozier per 10 secondi,
e poi Klay Thompson commutato su a Rozier per altro 10 secondi,
entrambi volevo essere premiato quelli 10 secondi di incontro volta.
Tuttavia, Se Rozier segnato un Due puntatore a il fine di questo possesso,
il punti volevo essere segnato per Klay Thompson.
Questo è veramente freddo tracciamento dati e io amore come specifico esso è,
ma esso fatto causa alcuni i problemi quando Provai a modello il punti per minuto
per ogni giocatore e difensore combinazione, quale era mio originale Piano.
Così io era originariamente andando a utilizzo il offensivo giocatore statistiche
e difensiva giocatore statistiche Quello io menzionato in il precedente vetrino
in ogni individuale incontro.
Ma da molti difensori, piace lo farai vedere qui,
registrato molto piccolo importi di volta,
piace Stanley Johnson solo custodito Rozier per un media di sotto uno minuto un gioco,
quello è non abbastanza volta
per alcuni di questi punti per minuto misurazioni a essere normale.
Così andando Indietro a Quello Klay Thompson ipotetico,
Se Klay solo custodito Rozier per 10 secondi il totale gioco
e Rozier avendo a punto Due punti in Quello possesso,
poi di Rozier punti per minuto contro Klay in Quello riga volevo essere 12.
Così ovviamente, estrapolando Quello a un completo gioco,
Anche escluso il Indietro Tribunale volta come questo dati fa, è molto irrealistico.
Così io avevo a andare insieme a un leggermente diverso, meno ideale approccio.
Invece di usando il individuale difensiva statistiche,
io in realtà mediato loro fuori
per ogni combinazione di giocatore e difensiva squadra.
Così invece di usando Rozier contro Curry e Rozier contro Thompson,
io volevo utilizzo Rozier contro il intero d'oro Stato Guerrieri media basato su
il Quantità di incontro minuti Quello ogni giocatore difeso Rozier.
Così per esempio,
Se Stefano Curry e Klay Thompson entrambi custodito lui per metà il Quantità
di possibile incontro su minuti, poi il squadra media,
andiamo dire ruba per gioco, volevo appena essere il aritmetica significare
di Curry ruba e Klay ruba per gioco.
Il stesso volevo andare per ogni difensiva variabile
e quello è ovviamente un semplice esempio,
ma il stesso va per ogni giocatore contro ogni squadra.
Così ovviamente questo è non ideale perché esso minimizza
il individualità di il incontro.
Ma io avevo a abbandono Quello punti per minuto approccio
perché il campioni erano anche piccolo e il risposta era pesantemente distorto.
Così questo modello Quello Io ho creato insieme a il aggregato dati è di più preciso
di mio iniziale tentativi, Anche benchè esso sacrifici alcuni individualità.
Così a questo punto, sono andando a interruttore in JMP qui
e fare un poco po di il demo su come io costruito il modello
e alcuni esplorativo dati analisi a inizio.
Così a inizio, erano appena andando a Guarda a alcuni marginale relazioni
insieme a punti in il grafico costruttore,
e sono capace a scegliere qualunque io volere.
Ma per adesso erano andando a Guarda nello specifico a tre variabili,
il primo essendo punti per gioco.
Così noi vedere qui, noi avere un moderare relazione
insieme a punti e punti per gioco, e esso è positivo come noi volevo aspettare.
Il media punti Quello qualcuno mette su in un gioco,
o terminato il corso di il stagione piuttosto, è andando a ovviamente influenza
come molti punti essi punto in un gioco.
Allo stesso modo, qualche cosa piace utilizzo Vota,
il Avanzate statistiche Quello io era discutere prima,
anche ha un positivo relazione,
appena leggermente più debole di il relazione tra punti e punti per gioco.
Finalmente, Se noi Guarda a alcuni di il carriera statistiche,
Se noi Guarda a carriera punti per gioco, poi ancora noi vedere un positivo relazione,
ma Quello è un poco po più debole perché è mediato terminato il corso
di un Giocatori carriera piuttosto di il stagione Quello erano attualmente in.
Ma fiduciosamente questo potevo aiuto regolare per alcuni maggiore differenze
in il punti per gioco totali o medie piuttosto.
Così adesso Quello noi avere una specie di un idea di il dati si,
noi potere spostare in il semplice lineare regressione
insieme a punti di punti per gioco come un prova delle prestazioni per questo modello.
Così come io menzionato,
tu potere prevedere basato su appena punti per gioco
e esso volere dare tu un decente predizione.
Ma erano analizzare, cercare, guardare a Ottimizzare Quello predizione di aggiungendo
alcuni di questi diverso variabili, offensivo e difensiva.
Così Se noi correre questo sceneggiatura qui,
questo è appena confrontare alcuni corre di un semplice lineare regressione
su il formazione e convalida impostare usando KFold convalida per tutto.
e Se io correre qui usando il Nascosto Convalida 2 colonna
Quello Malato essere usando per il resto di questi Modelli,
poi noi potere vedere il regressione qui.
Così ecco un regressione complotto. Esso sembra bella sparpagliato.
C'è non un chiaro lineare relazione, ma il RS litigare è moderare,
significato Quello 46,5 per cento di il variazione in punti è contabilizzato per
di questo media punti per gioco, quale è bella Buona.
e il Errore quadratico medio della radice è di 5. 27.
Il Errore quadratico medio della radice è il standard deviazione di il residuo,
così è essenzialmente il variazione in come bene nostro modello è predire.
Suo standard deviazione è intorno a cinque.
e noi potere anche Guarda a alcuni Altro le misure,
come come il AIC, quale è Usato a confrontare Modelli per prevedibilità.
Così AIC è altro importante misurare,
e esso le misure come bene il modello volere prevedere
parente a il numero di predittori mettere in il modello,
appena a Fare Sicuro sei non aggiungendo strada anche molti.
Così in questo Astuccio, il AIC è molto alto, e noi potere venire Indietro a questo numero
come noi Guarda a il confronto tra questo e il multiplo lineare regressione
Quello io volere mostrare dopo.
Così mentre io era provando a scegliere il modello Quello io era andando a scegliere,
io deciso a utilizzo il modello selezione caratteristica in JMP,
quale consente tu a Selezionare il tuo risposta variabili e tutti il fattore variabili.
io conclusa su mettendo in tutti di il numerico variabili Quello io avevo per un completo modello
appena a vedere inizialmente quale Modelli eseguire il migliore.
e io era capace a scegliere da un varietà di questi diverso metodi,
Compreso XGB oost e generalizzato R egressione,
e poi di corso, appena il normale Contratto di locazione Quadrato.
Nel il interesse di volta, questo volevo prendere per sempre a correre
perché è usando alcuni di questi macchina apprendimento algoritmi.
Così sono invece appena andando a tiro su un veloce immagine dello schermo di il modello selezione.
Così qui noi avere il produzione da questo modello selezione.
Esso Spettacoli il RS litigare.
Ancora, io era usando KFold convalida insieme a dieci pieghe qui.
Così questo Spettacoli il RS litigare
e il Radice M ean Quadrato Errore per ogni correre.
Così noi potere vedere Quello il Meno Quadrato Adatto in realtà avevo
un molto forte adatto rispetto a alcuni di il macchina apprendimento algoritmi,
quale io era sorpreso di. Ma esso in realtà aiuta per interpretabilità
perché alcuni di questi macchina apprendimento algoritmi,
Loro sono di più di un Nero scatola. e Se io erano a utilizzo quelli,
esso non lo farebbe essere come facile a interpretare il coefficienti o vedere
quale variabili sono veramente significativo
o quale sono appena essendo Usato per predizione.
Così perché il misura di Minimo quadrato e il Regressione con lazo,
quale Malato ottenere in un poco po dopo, erano così alto,
è in realtà un Buona cartello Quello sono capace a utilizzo Quello per meglio interpretabilità.
Così come noi potere vedere, il più preciso modello è questo multiplo lineare regressione
insieme a Lazo Regolarizzazione.
Lazo Regolarizzazione è un statistico tecnica Quello regolarizza il modello
e seleziona caratteristiche a minimizzare multicollinearità.
Multicollinearità è il correlazione tra predittori
e Quello potere negativamente simulare il modello.
Così usando questo tecnica,
erano capace a prendere il completo lineare regressione modello mostrato qui
e rimuovere alcuni di il variabili a minimizzare il multicollinearità
e può essere soddisfare alcuni di il lineare ipotesi meglio.
Così insieme a Quello informazione,
io era capace a prendere il variabili selezionato insieme a Lazo Regolarizzazione
e poi creare un multiplo lineare regressione usando quelli variabili.
Così come tu potere vedere qui,
il Effettivo di Previsto Complotto sembra bella simile.
Esso potrebbe essere leggermente più vicini a il linea di migliore adatto qui, quale è un Buona cartello.
e noi potere vedere nostro effetto riassunti,
ma erano andando a scorrere un poco po passato Quello
così Quello noi ottenere a il sommario di nostro adatto.
Così rispetto a il semplice lineare regressione,
il RS litigare e il Aggiustato RS litigare sono molto simile e quello è probabilmente
perché punti per gioco è come un pesantemente influente fattore in questo,
come bene come il semplice lineare regressione, ovviamente.
Così il adatto è non anche molto diverso.
Tuttavia, aggiungendo questi diverso variabili mostrato qui fa Ottimizzare
il Radice M ean Quadrato Errore un poco po.
Esso andato da di 5.3 a poco terminato 5.2, quale è non un drastico miglioramento,
ma un miglioramento ciò nonostante.
Ma il vero differenza qui è in il AIC e confrontare questi Modelli in termini
di loro prevedibilità, il AIC caduto in modo significativo
da il semplice lineare regressione a questo multiplo lineare regressione
insieme a Lasso R egualizzazione, quale è decisamente un Buona cartello.
Noi vedere alcuni di questi Parametro Stime fuori uso qui e di corso il risultati
per RS litigare e Radice Significare Quadrato Errore in attraverso convalida.
Così analizzare, cercare, guardare a alcuni di questi Parametro E stime,
il punti per gioco, ancora molto significativo,
è significativo a il .05 a lfa livello e molti qui di seguito Quello.
e questo è a essere previsto, come noi abbiamo spiegato già.
Turnover percentuale è anche significativo
e questo ha un negativo relazione insieme a punti.
Come uno volevo aspettare, Se sei girando il sfera terminato di più,
quello è meno opportunità a sparare il sfera,
meno opportunità a punto.
Così Quello controlli fuori insieme a appena nostro conoscenza di pallacanestro.
Qui noi avere il difensiva ritmo, o il ritmo di il difensiva squadra,
e questo ha un leggermente positivo relazione insieme a punti condizionale
su il Altro fattori in il modello.
Ancora, quello è a essere previsto perché il Più veloce un squadra gioca,
quello è generalmente di più possibilità.
Tuttavia, esso potrebbe non avere come un forte effetto come fatturati o punti per gioco.
e poi finalmente, difensiva rimbalzo percentuale.
Questo è appena come Spesso il difensiva squadra cale il difensiva rimbalzo.
Ancora, questo è prevenire secondo opportunità punti per il offesa,
così esso dovrebbe avere un negativo relazione nave, quale esso fa.
Così tutti questi cose dai un'occhiata fuori,
e poi alcuni di questi Altro variabili sono insignificante condizionatamente,
ma incluso perché essi Ottimizzare il prevedibilità di il modello.
Così qualche cosa piace utilizzo Vota potrebbe non essere significativo a il .05 livello,
ma esso ciò nonostante migliora nostro predizioni.
Adesso, sapendo Quello punti per gioco potrebbe non essere a disposizione
a il inizio di il stagione, a il estensione Quello esso è
vicino il fine di il stagione,
significato Quello punti per gioco potrebbe essere un poco meno affidabile
insieme a un più piccoli campione taglia.
ID Guarda a creare un alternato modello senza Quello
a vedere Se io potevo ancora prevedere
meglio di il semplice lineare regressione e simile a il Lazo regressione,
ma senza dipendenza su un punti per gioco per il stagione misurare.
Così questo alternato modello, io creato usando indietro selezione di AIC.
e ancora io sinistra fuori il stagione punti per gioco,
così esso ancora include il Altro punti per gioco misure,
o Altro per gioco misurazioni piuttosto,
piace obiettivi sul campo tentato da tre e da Due,
quale lungo insieme a alcuni di questi Altro variabili potere essere un procuratore per
Quello media punti per gioco.
Così esso' S non completamente robusto contro presto stagione fluttuazioni
e piccolo campione taglie.
Ma è possibile Quello questi variabili potrebbe essere un poco po di più rappresentante
di come un giocatore è andando a eseguire in il lungo correre.
sono pensiero Quello può essere
Giocatori potrebbe essere un poco di più coerente insieme a loro tentato statistiche,
o il Vota a quale Loro sono tiro il sfera,
piuttosto di appena il Quantità di punti essi ottenere Quello potevo variare basato su
appena un piccolo campione taglia.
Questi potevo come bene ma...
Solo usando questo modello come un alternativa,
e esso giri fuori Quello esso in realtà prevede
bella allo stesso modo a il modello insieme a punti per gioco in esso.
Così esso potrebbe non essere favorito necessariamente Se punti per gioco è a disposizione.
Non appropriato ma esso mette a disposizione un simile predizione.
Così noi potere vedere Quello il RS litigare è bella simile,
Maggio avere è aumentato un poco po,
e il Radice Significare Quadrato Errore è ancora simile.
Il AIC suggerisce Quello il Altro modello è un meglio modello per predire
basato su il Quantità di variabili incluso, così Quello è decisamente qualche cosa a Nota.
Ma ogni modello ha suo vantaggi.
Questo uno, particolarmente,
noi potere vedere alcuni di il condizionale relazioni di il Altro variabili,
particolarmente quelli su il difensiva lato, Quello noi non potevo vedere come molto
in il Altro uno perché punti per gioco era dominante così molto.
Così noi vedere qui Quello Due puntatori e tre puntatori tentato
sono pesatura insignificante per punti, quale ancora,
Quello fare senso perché il di più colpi sei prendendo,
il di più probabile tu sono a punto di più punti.
e poi là sono alcuni Altro variabili Quello Fare senso,
e alcuni altri Quello può essere la zona poco confuso a primo vista.
Così offensivo vincere azioni,
Quello essendo un significativo variabile fare senso quello è misurare
come molto un giocatore è contribuendo a vince su il offensivo lato,
esso fare senso Quello Quello ha un positivo relazione
come noi potere vedere fuori uso qui.
Così offensivo vincere azioni Giusto qui ha un positivo relazione.
e anche il difensiva rimbalzo percentuale fuori uso qui
diminuisce il stima ancora, così Quello è bella coerente
insieme a che cosa noi abbiamo visto in il precedente modello.
Media falli per gioco, media personale falli per gioco fuori uso qui,
ha un negativo effetto che ho pensato era interessante.
Così un giocatore o squadra insieme a un più alto ripugnante totale
è andando a negativamente simulare il punti segnato per il offensivo giocatore.
Questo potrebbe significare Loro sono di più aggressivo.
io volevo assumere Quello essi sono giocando più intenso difesa in limitante punti
attraverso ruba, blocchi, o pesantemente contestato colpi,
e come un risultato, Loro sono ottenere di più falli chiamata su loro.
Tuttavia, questo è non tutti Buona per il difesa
perché da il giocatore potere ripugnante fuori insieme a sei falli,
là è un certo equilibrio a colpire in il estremità difensiva.
Voi non volere a essere anche aggressivo
perché poi tu potevo essere dando su Più facile punti
o tu potevo essere primo il tuo Giocatori in ripugnante problemi.
Così quello è un interessante variabile, io pensare, a ritenere.
e di corso, questo è un condizionale significato,
così esso potrebbe Cambia leggermente basato su il rimozione
o aggiunta di certo Altro variabili.
e finalmente, un coppia di difensiva relazioni
sono particolarmente confuso a primo occhiata, io pensare.
In particolare coinvolgente blocchi e difensore altezza.
Così noi pensare di pallacanestro come essere molto dipendente su altezza.
Se tu sono più alto, sei di più probabile a andare a il NBA.
Sette piè di pagina, io pensare tu avere un 20 per cento opportunità
di appena andando a il NBA Anche Se tu sono sette piedi.
Così questo è qualche cosa Quello noi pensare, se tu bloccare colpi di più e sei più alto,
sei andando a essere che colpisce il del reato punti negativamente.
Tuttavia, noi vedere Quello questi relazioni sono in realtà condizionatamente positivo,
quale è molto interessante quella media blocchi per gioco
e il difensore altezza, come bene come il blocco Vota,
sono tutti positivo relazioni.
e così inizialmente, io era confuso di questo, ma io pensare questo ha di più a parla di
il Giocatori Quello questi Giocatori sono guardia piuttosto di
il effettivo variabili se stessi.
Così che cosa io significare di questo è quando tu consideri Quello più alto Giocatori
insieme a meglio blocco statistiche sono grande uomini giocando energia inoltrare o centro,
Loro sono guardia Altro grande uomini.
e così Quello fare senso un poco po Di Più.
Guardie ✔ tendere a mettere su di più punti in il NBA insieme a il enfasi
su tre- punto tiro adesso.
e un quantità di reati sono correre attraverso alcuni di questi più piccoli Giocatori
chi tendere a essere custodito di Altro più piccoli Giocatori.
Invece questi più alto Giocatori, insieme a di più blocchi,
sono guardia grande uomini chi può essere non lo sono il focale punto di il offesa,
a parte da certo Giocatori piace Jokic e Embiide e Giannis.
Ma questo cause un positivo relazione,
ma è veramente di più un funzione di il posizione
Quello questi Giocatori sono giocando.
Così io pensiero Quello era un interessante
condizionale relazione a evidenziare entro il modello,
e esso coinvolge un poco po di più più profondo pensiero di il relazione tra
blocco, altezza, e il punti Quello un offensivo giocatore mette su.
Così in termini di il modello globale,
noi potere vedere Quello questo uno e il Lazo si regolarizzò modello
sono molto simile in loro predizioni.
Bene vedere Quello in di più dettaglio presto quando io Flip a il 2021 predizioni,
ma il scelta poi potrebbe non essere anche significativo.
Tutti e due avere loro vantaggi.
Di corso, questo uno consente noi a vedere il significato di di più di il variabili,
nello specifico il difensiva variabili,
invece il primo uno ha un leggermente inferiore AIC
e potrebbe essere meglio per predizioni Se il dati è a disposizione.
Così entrambi partire un poco po a essere desiderato
in termini di predire molto di più in modo affidabile di il semplice lineare regressione.
io volevo avere è piaciuto a vedere questo Radice Significa litigare Errore diminuire di più,
e è qualche cosa io volevo Guarda in come io Continua questo progetto,
analizzare, cercare, guardare a raccogliere meglio dati, provando a Fare il abbinamenti
di più individualizzato senza sacrificare il normalità di il risposta variabile,
cose piace Quello.
Ma insieme a Quello essendo disse, questi sono il Modelli Quello io avere adesso,
e noi potere Guarda a test questi su il 2021 stagione così lontano.
Così Se io interruttore terminato qui al abbinamenti per 2021,
noi avere il stesso dati tavolo appena insieme a questo anni abbinamenti.
e così sono appena su Josh di Hart abbinamenti Giusto adesso
perché io andare a Villanova e lui è un Grande Villanova,
così qui noi avere lui come un giocatore, la sua squadra, e il difensiva squadre,
la sua statistiche, loro statistiche.
Come noi abbiamo già visto, questi sono tutti il variabili
Quello potevo essere incluso in il modello.
Scusa per il Presto panoramica,
ma qui noi avere il predizioni a il fine.
Così questi predizione variabili, o piuttosto questi colonne,
sono il modello predizioni.
Così nostro primo uno, nostro primo modello, è il Ottimale Multiplo L nell'orecchio Regressione
quello è usando il Lazo regressione e Compreso il punti per gioco variabile.
Come tu potere vedere in questo gioco,
lui è previsto a mettere su 12.8 punti e il residuo qui è di cinque.
Così in realtà questo residuo è il punti meno il predizione.
Così lui in realtà mettere su, questo è intorno a 13 e questo è intorno a cinque,
così lui mettere su di 18 punti qui invece di nostro previsto 13.
Così quello è ovviamente non un grande misurare.
e poi noi potere Guarda ad alcuni di il alternativa modello.
Il alternativa modello predizione è molto simile,
e noi volere vedere questo in maggiore dettaglio come io Flip Indietro a il Presa della corrente e mostrare tu
tipo di un condensato versione di questo dati tavolo,
perché Giusto adesso io sapere Quello questo in JMP è un poco po stragrande
perché c'è così molti variabili, così molti casuale numeri
essendo lanciato a tu.
Così sono andando a interruttore Indietro
in il Presa della corrente a mostrare tu alcuni di il predizioni
per entrambi Josh Hart qui e per Kevin Durant.
Tutti Giusto, così adesso Quello noi avere nostro Due Modelli
e il semplice lineare regressione a confrontare esso a,
noi potere applicare questi predizioni a Giochi Quello Kevin Durant ha giocato questo stagione.
Così qui sono quattro Giochi giocato Atlanta, Carlotta, Chicago, e Cleveland.
Nel il primo uno, lui segnato 31 punti.
Nel attualità, entrambi nostro Modelli previsto chiudere a 26 punti,
così il residuo è appena intorno a cinque.
Tuttavia, noi vedere Quello quando Kevin Durant è chiudere a la sua media punti
intorno a 28 o 29 punti per gioco,
quando lui in realtà punteggi Quello, il predizioni sono molto chiudere
perché punti per gioco pesa così pesantemente in questi Modelli.
Così, per esempio, in questo Cleveland gioco,
nostro primo modello previsto 26.2 punti, lui in realtà segnato 27.
Perciò, il residuo è meno di uno.
e allo stesso modo qui, il residui meno di uno
per il alternativa modello come bene.
Così noi vedere Quello il modello eccelle quando Giocatori eseguire chiudere a media,
quale essi volere fare più di il volta. Ma c'è ovviamente variazione,
piace in questo gioco contro Carlotta, lui avevo un particolarmente Buona gioco.
Lui segnato 38 punti.
È un grande gioco, ma particolarmente Buona gioco di Kevin Durant standard.
e così il modello predizioni sono molto più lontano spento.
e noi vedere il stesso cosa insieme a Josh Hart.
La sua punti di media un poco po inferiore perché lui, ancora, trasporta un accendino carico.
Kevin Durant è un stella giocatore su il reti,
così lui è ottenere un quantità di tocchi e prendendo un Buona porzione di quelli colpi.
Così qui noi avere di Hart produzione.
Ancora, la sua punti media è più vicino a questi 12 e 14 allineare.
Così il residui qui sono molto piccolo.
quando lui mette su 14,
nostro Modelli previsto intorno a 13.5 e il residui sono circa 0,5 .
Così noi avere veramente Buona predizioni per quando lui punteggi
un media Quantità di punti o chiudere a un media Quantità di punti.
Ma quando lui punteggi meno o molto maggiore
poi il predizioni tendere a soffrire un poco po.
Così insieme a tutti questo essendo disse, io sapere io corso attraverso questi Modelli.
Andiamo prendere un fare un passo Indietro e Guarda a il limitazioni in dettaglio
e alcuni ulteriore studia Quello io potevo abbraccio.
Così primo di tutti, questi sono usando medie di il offensivo giocatore e difensiva squadra
come contrario a offensivo giocatore e individuale giocatore.
Come Io ho menzionato, Quello volevo essere il ideale scenario,
ma come io era facendo esso, esso no lavoro fuori piace Quello.
Così Quello potevo essere causando alcuni i problemi perché è duplicazione alcuni risultati.
Invece di essendo ordinare di un uno a uno,
Se un giocatore è essendo custodito di questo giocatore,
questo è come molti punti essi volere punto.
Se un giocatore è essendo custodito di un combinazione di Giocatori su questo squadra,
questo è come molti punti essi volere punto.
Così è Più facile a prevedere ma può essere un poco meno preciso.
Inoltre, il medie sono per il intero stagione,
quale significa predizioni verso il inizio Maggio essere meno preciso,
come io menzionato, quale è qualche cosa Quello io pensare il carriera i valori
Tentativo a rimedio un poco po.
Esso potevo essere di valore aggiungendo cose piace punti per gioco
in il stagione variabili insieme a un ritardo di può essere cinque le stagioni.
Così prendendo il media punti per gioco per il Ultimo stagione, Due le stagioni fa,
tre le stagioni fa, e così su a Tentativo a Inserisci alcuni di più variabili
e può essere prevedere un volta o un tendenza in giocatore prestazione.
Inoltre, giocatore prestazione è dipendente su innumerevoli Altro fattori
come come freddo o piccante strisce,
come bene hanno stato esibendosi come di tardi,
lesioni su loro possedere squadra, Lesioni su il opponendosi squadra
Quello potevo aumentare o diminuire loro ruolo,
minore lesioni Quello essi sono condotta insieme a se stessi
Quello potevo diminuire o aumentare loro ruolo.
e poi cose piace riposo giorni,
viaggio volta, e un quantità di Altro intangibili
piace NBA Giocatori sono umano e noi tutti sapere alcuni giorni erano non sensazione il migliore,
Altro giorni erano sensazione grande, di più energico.
Quelli tipi di cose potevo condurre a meglio prestazione o peggio prestazione.
Così questi intangibili sono
non andando a essere qualche cosa Quello io potere fattore in il modello
ma è importante a riconoscere Quello essi potevo ancora simulare
il punti in un dato gioco.
Nel termini di ulteriore studia,
io volevo amore a tipo di rettificare tutti questi limitazioni
e Guarda a prevedere un di più olistico variabile
come come offensivo valutazione.
Così offensivo valutazione è andando a prevedere un Giocatori punti per 100 possedimenti
ha contribuito a il gioco invece di appena uno aspetto di il gioco in punti.
io volevo amore a prevedere qualche cosa piace questo o Flip esso a il difensiva lato
e prevedere un difensiva valutazione basato su chi Loro sono probabile
a andare su contro su offesa.
Così qualche cosa piace Quello io pensare volevo essere veramente freddo
e esso volevo estendere il applicazione di questo di più verso allenatori
e squadra analisti invece di può essere alcuni di il fantasia pallacanestro Giocatori
chi sono analizzare, cercare, guardare per un rigoroso misurazione piace punti o qualche cosa piace Quello.
Così insieme a tutti questo essendo disse,
sono decisamente andando a Continua Lavorando su questo progetto.
Esso era un quantità di divertimento e io amore analizzare, cercare, guardare a questi Modelli
e interpretando da un pallacanestro punto di vista cos'è andando su.
Se tu avere qualunque domande, Per favore Tatto libero a mettere quelli domande
in mio Comunità inviare in il Commenti. Malato essere felice a Rispondere loro.
e Se tu avere qualunque suggerimenti come bene per ulteriore studia,
io volevo anche essere felice a prendere quelli su. Grazie tu così molto il tuo volta.
