Ciao, tutti. Mio nome È Kevin O'Donnell.
Io sono UN JMP Globale Stagista riferimento clienti,
E Oggi Malato Essere presentando SU UN personale analitica progetto
Quello Io ho Fatto Quello È IL NBA Giocatore Modello di corrispondenza.
COSÌ Appena A Ottenere iniziato,
IO volevo Piace A andare Sopra Mio idea E IL motivazioni per edificio IL modello.
Io ho Sempre stato incredibilmente interessato In pallacanestro.
Io ho stato UN Enorme pallacanestro fan per Mio Totale vita,
E IO era 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 maggior parte Di noi Sapere da Guardando Qualunque sport,
giocatore prestazione varia notevolmente da gioco A gioco.
Suo basato SU UN varietà Di fattori
E uno Di questi essendo UN Giocatori media punti.
Quello Volere Essere UN molto forte predittore per punti In UN NBA gioco,
Ma suo lontano da IL soltanto influenza SU UN Giocatori offensivo prestazione.
COSÌ andando in Questo progetto,
IO ricercato A costruire UN modello Quello predetto IL Giocatori punti In IL gioco
basato SU IL punti per gioco,
Ma Anche UN quantità Di altro variabili Quale Noi Volere Aspetto in SU IL Prossimo diapositiva.
COSÌ idealmente, Questo Volere Essere utile per allenatori E squadra analisti A,
per esempio, determinare Quale Di loro offensivo Giocatori Sono probabile
A Sopra eseguire O capace A eseguire Veramente BENE
basato SU loro incontro UPS E vice versa, 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 chiamando E gioco pianificazione,
COSÌ Se UN particolare difensore È più debole, allenatori Maggio Aspetto A bersaglio Quello incontro su
O Aspetto A forza UN interruttore su loro migliore marcatore.
In IL divertimento regno,
fantasia pallacanestro Giocatori Potevo utilizzo Questo dati A figura fuori
Chi A inizio O Chi A scegliere su spento IL Rinuncia Filo,
COSÌ Esso ha UN ampio allineare Di applicazioni.
COSÌ ecco UN poco morso Di IL panoramica Di IL dati.
Malato andare Attraverso Questo velocemente, e bene Vedere Questo COME IO andare
in IL JMP dimostrazione UN poco morso 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 valutare,
Quale record Come Spesso UN offensivo giocatore È usato SU loro squadra.
Giocatore attributi come COME altezza, ala arco, 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 utilizzando per IL stagione,
BENE Anche utilizzo per IL carriera A aggiungere UN poco Di più robustezza A IL modello,
E complessivamente 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, suo 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.
In termini Di individuale difensiva statistiche, cose Piace ruba, blocchi, falli,
E altro Avanzate metrica come COME difensiva vincere quote, 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 Sopra IL confronto dati Quello IO era utilizzando
per IL massa Di IL modello.
COSÌ IL NBA recentemente implementato Alcuni nuovo personale incontro su dati collezione
E suo basato SU dettagliato giocatore monitoraggio.
COSÌ Esso brani IL più vicina difensore A ogni punto,
non Appena IL primario difensore SU UN giocare.
Esso soltanto brani davanti Tribunale tempo 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,
E ogni difensore volevo Essere premiato IL rispettivo quantità
Di confronto 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.
In IL Primo riga, Stefano Curry È guardia lui
In soltanto uno gioco per 2.7 minuti E consentito due punti.
COSÌ Se Noi pensare Di UN ipotetico Dove IL Calabroni Sono giocando
Stefano Curry's D'oro Stato Guerrieri E Curry custodito Rozier per 10 secondi,
E Poi Clay Thompson commutato SU A Rozier per un altro 10 secondi,
Entrambi volevo Essere premiato quelli 10 secondi Di confronto tempo.
Tuttavia, Se Rozier segnato UN due puntatore A IL FINE Di Questo possesso,
IL punti volevo Essere segnato per Clay Thompson.
Questo È Veramente Freddo monitoraggio dati E IO Amore Come specifica Esso È,
Ma Esso fatto causa Alcuni i problemi Quando ho provato 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 diapositiva
In ogni individuale confronto.
Ma Da molti difensori, Piace lo farai Vedere Qui,
registrato molto piccolo importi Di tempo,
Piace Stanley Johnson soltanto custodito Rozier per UN media Di Sotto uno minuto UN gioco,
quello è non Abbastanza tempo
per Alcuni Di questi punti per minuto misurazioni A Essere normale.
COSÌ andando Indietro A Quello Clay Thompson ipotetico,
Se Clay soltanto 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 Clay In Quello riga volevo Essere 12.
COSÌ ovviamente, estrapolando Quello A UN pieno gioco,
Anche escluso IL Indietro Tribunale tempo COME Questo dati fa, suo molto irrealistico.
COSÌ IO avevo A andare con UN leggermente diverso, meno ideale approccio.
Invece Di utilizzando IL individuale difensiva statistiche,
IO In realtà mediato loro fuori
per ogni combinazione Di giocatore E difensiva squadra.
COSÌ Invece Di utilizzando Rozier contro Curry E Rozier contro Thompson,
IO volevo utilizzo Rozier contro IL intero D'oro Stato Guerrieri media basato SU
IL quantità Di confronto minuti Quello ogni giocatore difeso Rozier.
COSÌ per esempio,
Se Stefano Curry E Clay 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 Clay 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 confronto.
Ma IO avevo A abbandono Quello punti per minuto approccio
Perché IL campioni erano pure piccolo E IL risposta era pesantemente distorto.
COSÌ Questo modello Quello Io ho creato con IL aggregato dati È Di più accurato
di Mio iniziale tentativi, Anche Anche se Esso sacrifici Alcuni individualità.
COSÌ A Questo punto, Io sono andando A interruttore in JMP Qui
E Fare UN poco morso Di IL dimostrazione su come IO costruito IL modello
E Alcuni esplorativo dati analisi A inizio.
COSÌ A inizio, erano Appena andando A Aspetto A Alcuni marginale relazioni
con punti In IL grafico costruttore,
E Io sono capace A scegliere Qualunque IO Volere.
Ma per Ora erano andando A Aspetto specificamente A tre variabili,
IL Primo essendo punti per gioco.
COSÌ Noi Vedere Qui, Noi Avere UN moderare relazione
con punti E punti per gioco, E Esso È positivo COME Noi volevo aspettarsi.
IL media punti Quello qualcuno mette su In UN gioco,
O Sopra IL corso Di IL stagione Piuttosto, È andando A ovviamente influenza
Come molti punti Essi punto In UN gioco.
Allo stesso modo, qualcosa Piace utilizzo valutare,
IL Avanzate statistiche Quello IO era discutere prima,
Anche ha UN positivo relazione,
Appena leggermente più debole di IL relazione fra punti E punti per gioco.
Finalmente, Se Noi Aspetto A Alcuni Di IL carriera statistiche,
Se Noi Aspetto A carriera punti per gioco, Poi Ancora Noi Vedere UN positivo relazione,
Ma Quello È UN poco morso più debole Perché suo mediato Sopra 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 Ora Quello Noi Avere una sorta Di UN idea Di IL dati si,
Noi Potere mossa in IL semplice lineare regressione
con punti di punti per gioco COME UN segno di riferimento per Questo modello.
COSÌ COME IO citato,
Voi Potere prevedere basato SU Appena punti per gioco
E Esso Volere Dare Voi UN decente predizione.
Ma erano guardare A migliorare Quello predizione di aggiungendo
Alcuni Di questi diverso variabili, offensivo E difensiva.
COSÌ Se Noi correre Questo copione Qui,
Questo È Appena confrontando Alcuni corre Di UN semplice lineare regressione
SU IL formazione E convalida impostato utilizzando KFold convalida per tutto.
E Se IO correre Qui utilizzando IL Nascosto Convalida 2 colonna
Quello Malato Essere utilizzando per IL resto Di questi Modelli,
Poi Noi Potere Vedere IL regressione Qui.
COSÌ ecco UN regressione complotto. Esso sembra bello sparpagliato.
C'è non UN chiaro lineare relazione, Ma IL RS quadrato È moderare,
Senso Quello 46,5 per cento Di IL variazione In punti È contabilizzato per
di Questo media punti per gioco, Quale È bello Bene.
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 suo essenzialmente IL variazione In Come BENE Nostro modello È predizione.
Suo standard deviazione È in giro cinque.
E Noi Potere Anche Aspetto A Alcuni altro le misure,
come COME IL AIC, Quale È usato A confrontare Modelli per prevedibilità.
COSÌ AIC È un 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 modo pure molti.
COSÌ In Questo caso, IL AIC È molto alto, E Noi Potere Venire Indietro A Questo numero
COME Noi Aspetto A IL confronto fra Questo E IL multiplo lineare regressione
Quello IO Volere spettacolo 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 Voi A Selezionare tuo risposta variabili E Tutto IL fattore variabili.
IO conclusa su mettendo In Tutto Di IL numerico variabili Quello IO avevo per UN pieno 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 ost E R generalizzato uscita,
E Poi Di corso, Appena IL normale Contratto di locazione Piazza.
In IL interesse Di tempo, Questo volevo Prendere per sempre A correre
Perché suo utilizzando Alcuni Di questi macchina apprendimento algoritmi.
COSÌ Io 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 quadrato.
Ancora, IO era utilizzando KFold convalida con dieci pieghe Qui.
COSÌ Questo Spettacoli IL RS quadrato
E IL radice m ean Piazza Errore per ogni correre.
COSÌ Noi Potere Vedere Quello IL Meno Piazza 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 farei 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 adattamento di Minimo Quadrato E IL Regressione lazo,
Quale Malato Ottenere in UN poco morso Dopo, erano COSÌ alto,
suo In realtà UN Bene cartello Quello Io sono capace A utilizzo Quello per Meglio interpretabilità.
COSÌ COME Noi Potere Vedere, IL maggior parte accurato modello È Questo multiplo lineare regressione
con Lazo Regolarizzazione.
Lazo Regolarizzazione È UN statistico tecnica Quello regolarizza IL modello
E seleziona caratteristiche A minimizzare multicollinearità.
Multicollinearità È IL correlazione fra predittori
E Quello Potere negativamente simulare IL modello.
COSÌ utilizzando Questo tecnica,
erano capace A Prendere IL pieno lineare regressione modello mostrato Qui
E rimuovere Alcuni Di IL variabili A minimizzare IL multicollinearità
E Forse soddisfare Alcuni Di IL lineare ipotesi Meglio.
COSÌ con Quello informazione,
IO era capace A Prendere IL variabili selezionato con Lazo Regolarizzazione
E Poi creare UN multiplo lineare regressione utilizzando quelli variabili.
COSÌ COME Voi Potere Vedere Qui,
IL Effettivo di Predetto Complotto sembra bello simile.
Esso Potrebbe Essere leggermente più vicino A IL linea Di migliore adatto Qui, Quale È UN Bene cartello.
E Noi Potere Vedere Nostro effetto riepiloghi,
Ma erano andando A scorrere UN poco morso passato Quello
COSÌ Quello Noi Ottenere A IL riepilogo Di Nostro adatto.
COSÌ rispetto A IL semplice lineare regressione,
IL RS quadrato E IL Aggiustato RS quadrato 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 pure tanto diverso.
Tuttavia, aggiungendo questi diverso variabili mostrato Qui fa migliorare
IL radice m ean Piazza Errore UN poco morso.
Esso andato da Di 5.3 A poco Sopra 5.2, Quale È non UN drastico miglioramento,
Ma UN miglioramento ciò nonostante.
Ma IL vero differenza Qui È In IL AIC E confrontando questi Modelli In termini
Di loro prevedibilità, IL AIC caduto in modo significativo
da IL semplice lineare regressione A Questo multiplo lineare regressione
con Lazzo R regolarizzazione, Quale È decisamente UN Bene cartello.
Noi Vedere Alcuni Di questi Parametro Stime giù Qui E Di corso IL risultati
per RS quadrato E Radice Significare Piazza Errore In attraverso convalida.
COSÌ guardare A Alcuni Di questi Parametro E stime,
IL punti per gioco, Ancora molto significativo,
è significativo A IL .05 un lpha livello E molti sotto Quello.
E Questo È A Essere previsto, COME noi abbiamo spiegato Già.
Turnover percentuale È Anche significativo
E Questo ha UN negativo relazione con punti.
COME uno volevo aspettarsi, Se sei girando IL palla Sopra Di più,
quello è meno opportunità A sparare IL palla,
meno opportunità A punto.
COSÌ Quello controlli fuori con 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 con 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 impedendo secondo opportunità punti per IL offesa,
COSÌ Esso Dovrebbe Avere UN negativo relazione nave, Quale Esso fa.
COSÌ Tutto questi cose controllo fuori,
E Poi Alcuni Di questi altro variabili Sono insignificante condizionatamente,
Ma incluso Perché Essi migliorare IL prevedibilità Di IL modello.
COSÌ qualcosa Piace utilizzo valutare Potrebbe non Essere significativo A IL .05 livello,
Ma Esso ciò nonostante migliora Nostro predizioni.
Ora, sapere Quello punti per gioco Potrebbe non Essere disponibile
A IL inizio Di IL stagione, A IL estensione Quello Esso È
vicino IL FINE Di IL stagione,
Senso Quello punti per gioco Potrebbe Essere UN poco meno affidabile
con UN più piccola campione misurare.
Id Aspetto 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 utilizzando indietro selezione di AIC.
E Ancora IO Sinistra fuori IL stagione punti per gioco,
COSÌ Esso Ancora include IL altro punti per gioco misurazioni,
O altro per gioco misurazioni Piuttosto,
Piace obiettivi sul campo tentata da tre E da due,
Quale lungo con Alcuni Di questi altro variabili Potere Essere UN delega per
Quello media punti per gioco.
COSÌ Esso' S non completamente robusto contro Presto stagione fluttuazioni
E piccolo campione dimensioni.
Ma suo possibile Quello questi variabili Potrebbe Essere UN poco morso Di più rappresentante
Di Come UN giocatore È andando A eseguire In IL lungo correre.
Io sono pensiero Quello Forse
Giocatori Potrebbe Essere UN poco Di più coerente con loro tentata statistiche,
O IL valutare A Quale Loro sono tiro IL palla,
Piuttosto di Appena IL quantità Di punti Essi Ottenere Quello Potevo variare basato SU
Appena UN piccolo campione misurare.
Questi Potevo COME BENE Ma...
Appena utilizzando Questo modello COME UN alternativa,
E Esso giri fuori Quello Esso In realtà prevede
bello allo stesso modo A IL modello con punti per gioco In Esso.
COSÌ Esso Potrebbe non Essere favorito necessariamente Se punti per gioco È disponibile.
Non appropriato Ma Esso fornisce UN simile predizione.
COSÌ Noi Potere Vedere Quello IL RS quadrato È bello simile,
Maggio Avere è aumentato UN poco morso,
E IL Radice Significare Piazza Errore È Ancora simile.
IL AIC suggerisce Quello IL altro modello È UN Meglio modello per predizione
basato SU IL quantità Di variabili incluso, COSÌ Quello È decisamente qualcosa A Nota.
Ma ogni modello ha suo vantaggi.
Questo uno, in particolar modo,
Noi Potere Vedere Alcuni Di IL condizionale relazioni Di IL altro variabili,
in particolar modo quelli SU IL difensiva lato, Quello Noi non poteva Vedere COME tanto
In IL altro uno Perché punti per gioco era dominante COSÌ tanto.
COSÌ Noi Vedere Qui Quello due puntatori E tre puntatori tentata
Sono pesatura insignificante per punti, Quale Ancora,
Quello fa senso Perché IL Di più scatti sei prendendo,
IL Di più probabile Voi Sono A punto Di più punti.
E Poi Là Sono Alcuni altro variabili Quello Fare senso,
E Alcuni altri Quello Forse la zona poco confusione A Primo vista.
COSÌ offensivo vincere quote,
Quello essendo UN significativo variabile fa senso quello è misurazione
Come tanto UN giocatore È contribuendo A vince SU IL offensivo lato,
Esso fa senso Quello Quello ha UN positivo relazione
COME Noi Potere Vedere giù Qui.
COSÌ offensivo vincere quote Giusto Qui ha UN positivo relazione.
E Anche IL difensiva rimbalzo percentuale giù Qui
diminuisce IL stima Ancora, COSÌ Quello È bello coerente
con Che cosa noi abbiamo visto In IL precedente modello.
Media falli per gioco, media personale falli per gioco giù Qui,
ha UN negativo effetto che ho pensato era interessante.
COSÌ UN giocatore O squadra con 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 chiamato SU loro.
Tuttavia, Questo È non Tutto Bene per IL difesa
Perché Da IL giocatore Potere ripugnante fuori con sei falli,
Là È UN certo bilancia A sciopero In IL fine difensivo.
Voi non Volere A Essere pure aggressivo
Perché Poi Voi Potevo Essere dando su Più facile punti
O Voi Potevo Essere primo tuo Giocatori in ripugnante guaio.
COSÌ quello è UN interessante variabile, IO pensare, A prendere in considerazione.
E Di corso, Questo È UN condizionale significato,
COSÌ Esso Potrebbe modifica leggermente basato SU IL rimozione
O aggiunta Di certo altro variabili.
E Finalmente, UN coppia Di difensiva relazioni
Sono in particolar modo confusione A Primo occhiata, IO pensare.
Nello specifico coinvolgente blocchi E difensore altezza.
COSÌ Noi pensare Di pallacanestro come essere molto dipendente SU altezza.
Se Voi Sono più alto, sei Di più probabile A andare A IL NBA.
Sette piè di pagina, IO pensare Voi Avere UN 20 percento opportunità
Di Appena andando A IL NBA Anche Se Voi Sono sette piedi.
COSÌ Questo È qualcosa Quello Noi pensare, se tu bloccare scatti Di più E sei più alto,
sei andando A Essere influenzando 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 valutare,
Sono Tutto 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 loro stessi.
COSÌ Che cosa IO Significare di Questo È Quando tu consideri Quello più alto Giocatori
con Meglio blocco statistiche Sono grande uomini giocando energia inoltrare O centro,
Loro sono guardia altro grande uomini.
E COSÌ Quello fa senso UN poco morso Di più.
Guardie ✔ tendere A Mettere su Di più punti In IL NBA con IL enfasi
SU tre- punto tiro Ora.
E UN quantità Di reati Sono correre Attraverso Alcuni Di questi più piccola Giocatori
Chi tendere A Essere custodito di altro più piccola Giocatori.
Mentre questi più alto Giocatori, con Di più blocchi,
Sono guardia grande uomini Chi Forse non lo sono IL focale punto Di IL offesa,
a parte da certo Giocatori Piace Jokić E Embiide E Giannis.
Ma Questo cause UN positivo relazione,
Ma suo 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 morso Di più più profondo pensiero Di IL relazione fra
blocco, altezza, E IL punti Quello UN offensivo giocatore mette su.
COSÌ In termini Di IL modello complessivamente,
Noi Potere Vedere Quello Questo uno e il Lazo regolarizzato 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 pure significativo.
Entrambi Avere loro vantaggi.
Di corso, Questo uno consente noi A Vedere IL significato Di Di più Di IL variabili,
specificamente IL difensiva variabili,
mentre IL Primo uno ha UN leggermente inferiore AIC
E Potrebbe Essere Meglio per predizioni Se IL dati È disponibile.
COSÌ Entrambi Partire UN poco morso A Essere desiderato
In termini Di predizione tanto Di più in modo affidabile di IL semplice lineare regressione.
IO volevo Avere è piaciuto A Vedere Questo Radice Significa quadrato Errore diminuire Di più,
E suo qualcosa IO volevo Aspetto in COME IO Continua Questo progetto,
guardare A raccogliere Meglio dati, provando A Fare IL matchup
Di più individualizzato senza sacrificare IL normalità Di IL risposta variabile,
cose Piace Quello.
Ma con Quello essendo disse, questi Sono IL Modelli Quello IO Avere Ora,
E Noi Potere Aspetto A test questi SU IL 2021 stagione così lontano.
COSÌ Se IO interruttore Sopra Qui al matchup per 2021,
Noi Avere IL Stesso dati tavolo Appena con Questo anni matchup.
E COSÌ Io sono Appena SU Josh di Hart matchup Giusto Ora
Perché IO andare A Villanova E lui è UN Grande Villanova,
COSÌ Qui Noi Avere lui COME UN giocatore, il suo squadra, E IL difensiva squadre,
il suo statistiche, loro statistiche.
COME noi abbiamo Già visto, questi Sono Tutto 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 utilizzando IL Lazo regressione E Compreso IL punti per gioco variabile.
COME Voi Potere Vedere In Questo gioco,
Lui È predetto A Mettere su 12.8 punti E IL residuo Qui È Di cinque.
COSÌ In la realtà Questo residuo è il punti meno IL predizione.
COSÌ Lui In realtà Mettere su, Questo È in giro 13 E Questo È in giro cinque,
COSÌ Lui Mettere su Di 18 punti Qui Invece Di Nostro predetto 13.
COSÌ quello è ovviamente non UN Grande misurare.
E Poi Noi Potere Aspetto in 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 spettacolo Voi
Tipo Di UN condensato versione Di Questo dati tavolo,
Perché Giusto Ora IO Sapere Quello Questo in JMP È UN poco morso travolgente
Perché c'è COSÌ molti variabili, COSÌ molti casuale numeri
essendo gettato A Voi.
COSÌ Io sono andando A interruttore Indietro
in IL Presa della corrente A spettacolo Voi Alcuni Di IL predizioni
per Entrambi Josh Hart Qui E per Kevin Durant.
Tutto Giusto, COSÌ Ora Quello Noi Avere Nostro due Modelli
E IL semplice lineare regressione A confrontare Esso A,
Noi Potere fare domanda a questi predizioni A Giochi Quello Kevin Durant ha giocato Questo stagione.
COSÌ Qui Sono quattro Giochi giocato Atlanta, Carlotta, Chicago, E Cleveland.
In IL Primo uno, Lui segnato 31 punti.
In attualità, Entrambi Nostro Modelli predetto vicino A 26 punti,
COSÌ IL residuo È Appena in giro cinque.
Tuttavia, Noi Vedere Quello quando Kevin Durant È vicino A il suo media punti
in giro 28 O 29 punti per gioco,
Quando Lui In realtà punteggi Quello, IL predizioni Sono molto vicino
Perché punti per gioco pesa COSÌ pesantemente In questi Modelli.
COSÌ, per esempio, In Questo Cleveland gioco,
Nostro Primo modello predetto 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 vicino A media,
Quale Essi Volere Fare maggior parte Di IL tempo. Ma c'è ovviamente variazione,
Piace In Questo gioco contro Carlotta, Lui avevo UN in particolar modo Bene gioco.
Lui segnato 38 punti.
Suo UN Grande gioco, Ma in particolar modo Bene gioco di Kevin Durant standard.
E COSÌ IL modello predizioni Sono tanto più lontano spento.
E Noi Vedere IL Stesso cosa con Josh Hart.
Il suo punti media UN poco morso inferiore Perché lui, di nuovo, porta UN accendino carico.
Kevin Durant È UN stella giocatore SU IL Reti,
COSÌ lui è ottenere UN quantità Di tocca E prendendo UN Bene porzione Di quelli scatti.
COSÌ Qui Noi Avere di Hart produzione.
Ancora, il suo 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 predetto in giro 13.5 E IL residui sono circa 0,5 .
COSÌ Noi Avere Veramente Bene predizioni per Quando Lui punteggi
UN media quantità Di punti O vicino A UN media quantità Di punti.
Ma Quando Lui punteggi meno O tanto maggiore
Poi IL predizioni tendere A soffrire UN poco morso.
COSÌ con Tutto Questo essendo disse, IO Sapere IO corso Attraverso questi Modelli.
Andiamo Prendere UN fare un passo Indietro E Aspetto A IL limitazioni In dettaglio
E Alcuni ulteriore studio Quello IO Potevo abbraccio.
COSÌ Primo Di Tutto, questi Sono utilizzando 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 suo 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 suo Più facile A prevedere Ma Forse UN poco meno accurato.
Inoltre, IL medie Sono per IL intero stagione,
Quale significa predizioni verso IL inizio Maggio Essere meno accurato,
COME IO citato, Quale È qualcosa Quello IO pensare IL carriera valori
Tentativo A rimedio UN poco morso.
Esso Potevo Essere Di valore aggiungendo cose Piace punti per gioco
In IL stagione variabili con UN ritardo Di Forse cinque le stagioni.
COSÌ prendendo IL media punti per gioco per IL scorso stagione, due le stagioni fa,
tre le stagioni fa, E COSÌ SU A Tentativo A aggiungere Alcuni Di più variabili
E Forse prevedere UN tempo O UN tendenza In giocatore prestazione.
Inoltre, giocatore prestazione È dipendente SU innumerevoli altro fattori
come COME Freddo O caldo strisce,
Come BENE hanno stato esibendosi COME Di tardi,
lesioni SU loro Proprio squadra, Lesioni SU IL opponendosi squadra
Quello Potevo aumento O diminuire loro ruolo,
minore lesioni Quello Essi Sono condotta con loro stessi
Quello Potevo diminuire O aumento loro ruolo.
E Poi cose Piace riposo giorni,
viaggio tempo, E UN quantità Di altro intangibili
Piace NBA Giocatori Sono umano E Noi Tutto Sapere Alcuni giorni erano non sensazione IL migliore,
altro giorni erano sensazione Grande, Di più energico.
Quelli tipi Di cose Potevo Guida A Meglio prestazione O peggio prestazione.
COSÌ questi intangibili Sono
non andando A Essere qualcosa Quello IO Potere fattore in IL modello
Ma suo importante A riconoscere Quello Essi Potevo Ancora simulare
IL punti In UN dato gioco.
In termini Di ulteriore studio,
IO volevo Amore A Tipo Di rettificare Tutto questi limitazioni
E Aspetto 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 qualcosa 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 qualcosa 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 Forse Alcuni Di IL fantasia pallacanestro Giocatori
Chi Sono guardare per UN rigoroso misurazione Piace punti O qualcosa Piace Quello.
COSÌ con Tutto Questo essendo disse,
Io sono decisamente andando A Continua lavorando SU Questo progetto.
Esso era UN quantità Di divertimento E IO Amore guardare A questi Modelli
E interpretariato da UN pallacanestro punto di vista cosa c'è andando SU.
Se Voi Avere Qualunque domande, Per favore Tatto gratuito A Mettere quelli domande
In Mio Comunità inviare In IL Commenti. Malato Essere Contento A risposta loro.
E Se Voi Avere Qualunque suggerimenti COME BENE per ulteriore studio,
IO volevo Anche Essere Contento A Prendere quelli SU. Grazie Voi COSÌ tanto tuo tempo.
