Aujourd'hui étaient en allant pour parler à propos
quoi fournit le meilleur opportunité pour un revenir dans le NBA.
Donc mon nom est Weston Saumon.
Je suis actuellement un étudiant à Oklahoma État Université
en étudiant pour Entreprise Analytique et Données Science dans notre Maîtrise programme.
Et mon nom est Zack Meunier.
Je suis aussi un étudiant à Oklahoma État Université
et aussi en étudiant pour mon Maîtrise dans Entreprise A analytique et Données Science.
Tous droite, donc étaient en allant pour couverture le tableau Contenu réel rapide.
ce montre quoi étaient action tout au long de le présentation.
D'abord étaient en allant pour commencer avec un introduction
ce discute pourquoi étaient ici et quoi exactement le étude est pour.
Alors étaient en allant pour saut dans notre données et méthodes,
et ce regards à quoi fait le données regarder comme,
comment a fait nous complet notre analyse,
et le différent façons nous manipulé notre données.
Bien alors regarder à le proportions descriptives et prédictives
ce montrer quoi peut nous dériver depuis le les données telles qu'elles se trouvent
et alors quoi faire notre prédictions regarder comme.
Alors à le fin,
Bien conclure le présentation
et regarder à quoi sont le implications de l'analyse
et comment il peut être utilisé par NBA équipes dans le avenir.
Voici un citation par Gabé Franc.
il est le Directeur de Basket-ball Analytique avec le San Antoine Éperons.
Nous pensée ce serait être un bien citation
jeter dedans comme il s'agit de [inaudible 00:01:16]
et aussi le La NBA est dans général.
Donc il a dit,
"JE penser analytique ont gagné en popularité
parce que il peut donner toi un compétitif avantage
si toi faire il Bien.
Chaque petit bit aide."
À travers notre présentation, étaient en allant pour discuter
NBA analytique et comment ils peut produire venir dos
basé sur le données ce nous trouver.
Nous pensée ce citation vraiment parlait pour le global objectif de notre projet.
Maintenant je vais passer il désactivé pour Zack à moi introduire le projet comme un ensemble.
Merci, Weston.
En allant dans le introduction ici, en allant dans un NBA saison,
chaque équipe a un commun but, et c'est pour gagner le championnat.
Comme je a dit, en allant dans le saison, un parcelle de équipes espoir pour 40 plus gagne
dans leur 82- jeu saison,
mais un super saison typiquement résultats dans 50 plus gagne.
Alors aussi notre primaire intérêt pour ce présentation et analyse
est dans le dur combattu victoires ou aussi connu comme une victoire de retour
par ces différent équipes.
Nous définir un revenir la victoire
comme le gagnant équipe perdant par dix plus points à Mi-temps.
À Mi-temps être bas par plus que 10 points à la fin du jeu,
nous étaient voyant ce chaque donc souvent
là étaient équipes ce étaient prise un mener et finalement gagnant ce jeu.
Alors enfin,
nous ont notre analyse ce utilise jouer- par- jouer données et salaire données ensembles,
qui nous sera aller dans un petit plus détail dans juste un peu minutes.
Maintenant étaient en allant pour discuter le deux questions commerciales
ce nous vouloir pour répondre en utilisant les deux le données.
D'abord, en regardant à le jouer- par- lire les données,
nous vouloir pour savoir exactement quoi pièces ou séquence de pièces dans le jeu
donner le équipe le le plus grand chance à un revenir la victoire.
Nous vouloir pour savoir quoi exactement les joueurs et les entraîneurs peuvent faire
et dessiner en haut dans le doubler en haut pour produire un revenir.
Alors avec le salaire et carrière données statistiques
nous vraiment vouloir pour voir comment ceux variables,
le salaire et carrière Statistiques,
peut être utilisé pour déterminer comment impliqué un joueur devrait être dans revenir victoires.
Donc pas nécessairement juste comment Bien ils effectuer comme ils en fait effectuer,
mais aussi comment ils devrait effectuer basé sur ces variables.
Donc qui joueurs sont sous-performant
et sur effectuer selon pour leur contracter et piste enregistrer?
Suivant Bien discuter le données et méthodes ce nous utilisé pour les deux le données ensembles.
Comme je a dit, nous Ha d deux données ensembles.
Le d'abord un concentré sur jeu par jeu données.
Ce données contient le processus et résultat de chaque jeu
dans chaque jeu depuis 2015 à travers 2018.
Donc il inclus tous 30 NBA équipes et exactement quoi ils a fait
dans chaque seul jouer tout au long de le Jeux tout au long de ces années.
Zack sera aussi parler à propos le salaire données ce nous ont.
Droite, donc en allant dans le salaire données, il contient le salaire information
pour chaque de le joueurs
ce étaient mentionné dans le jeu par jeu données.
Si ce joueur ce était mentionné dans les données play-by-play
joué un minute de NBA temps ou des centaines de minutes de l'heure de la NBA,
ils étaient apparaissant dans mon salaire données.
je pourrait alors aller et voir quoi leur carrière Statistiques et quoi leur salaire était
pour le saisons ce nous étaient regarder dans le jeu par jeu données.
Maintenant étaient en allant pour regarder à le variables clés
ce nous trouvé dans le jeu par jeu données ensemble.
Toi peut voir choses tel comme revenir,
moitié temps déficit, le tir distance, résultat taper, et rebond taper.
Mais deux ce nous vouloir pour concentrer dans particulier était le revenir.
C'est un variable [inaudible 00:04:51]
il était notre drapeau variable et utilisé comme notre prédicteur.
Nous signalé le un suivant pour tous Jeux
où un équipe traîné par dix ou plus points à la mi-temps
et est venu dos et gagné et il était un zéro si pas,
parce que comme nous a dit,
le global but de ce présentation
est pour voir quoi fils pour venir dos dans général.
Alors aussi nous vouloir pour regarde le déficit à la mi-temps,
qui était un autre variable ce nous créé.
Ce montre le nombre de points, le certaine équipe traîné par à Mi-temps.
Si le déficit était plus grand que ou égal à 10 points,
alors ceux étaient le Jeux ce nous spécifiquement regardé à,
et alors nous vouloir pour voir si les jeux effectués tout au long de ces jeux
dirigé pour un revenir dans le fin.
Maintenant en regardant à quelques de le clé variables pour le salaire données.
Ces comme un ensemble sont variables ce nous avons décidé
étaient en allant pour être important pour notre analyse.
Mais une fois encore,
je recherché pour concentrer sur un peu de ces ou quelques-unes de ces variables
comme je se sentir ce ils sont plus important pour indiquer dehors et expliquer.
D'abord de qui être le joueur participation variable.
Le joueur participation variables compte de l'implication individuelle
sur clé pièces pendant retours.
Ces pièces pourrait inclure coups, rebonds, fautes,
n'importe quel de le exploitable pièces
ce nous voir tout au long de le jeu par jeu données.
Donc nous recherché pour prendre individuel comptes
depuis joueurs donc nous pourrait voir
comment beaucoup fois un certain joueur
était tirer la balle au fil des saisons,
et vraiment être capable pour comparer ces joueurs
pour autres joueurs de la ligue
Alors en allant pour venir dos score.
Ce est un min- maximum notation méthode
ce nous utiliser pour score le global joueur implications.
Ce est quoi nous utiliser pour vraiment quantifier comment impliqué ces joueurs étaient.
Ce est utilisant le variable d'implication des joueurs
ce toi voir ce je juste expliqué.
je recherché pour aller un petit bit Plus profond dans le revenir score calcul
juste pour faire bien sûr ce tout le monde comprend comment ce était calculé.
Comme je a dit, il était un min- maximum méthode de cotation,
et ce était utilisé pour déterminer l'implication des joueurs
pendant leur l'équipe revenir victoires.
Ce min- maximum méthode crée le scores,
prise le joueurs l'implication en compte,
relatif pour le gamme de valeurs ce apparaître pour chaque variable.
Il serait prendre le maximum compter de ces différent pièces
et il serait utiliser ce comme le maximum et alors un le minimum
de typiquement quoi nous trouvé serait être zéro comme certain joueurs serait seul jouer
un très faible montant de minutes depuis zéro et tous le chemin en haut pour des centaines de minutes.
Mais typiquement avec le zéro minute joueurs,
nous trouvé ce ils a fait pas contribuer beaucoup pour ces revenir gagne.
Dessous toi voir le formule ce nous utilisé pour chacun des joueurs
pour créer ce revenir score.
Ce est un parfait exemple comme nous voir le aider compter
divisé par le assistance maximale fois. 1667,
qui .1667 être 1 divisé par le total de le 6 variables incluses,
qui est quoi nous serait appel le lester pour le formule.
Chaque de ces variables était pondéré également
et nous a pris le min- maximum score pour chacune des variables
et multiplié ce par 100 pour obtenir le final score.
Bien maintenant regarder à le jouer- par- jouer analyse méthode.
Quand prise ce données, nous d'abord a commencé par fusionner.
Nous avait six CSV des dossiers,
un ce identifié chaque individuel année,
et nous combiné tous ceux dans un dossier central
donc nous pourrait regarder à chaque jeu par jeu données depuis le six années ce nous avait.
Nous alors transformé le données en utilisant drapeau variables.
Comme nous a dit,
nous créé un colonne ce spécifié si là était un revenir ou pas.
Nous d'abord regardé à le Mi-temps scores
et scie si équipes étaient traînant par dix ou plus à Mi-temps.
Nous serait alors prendre ceux Jeux
et alors voir si un revenir en fait s'est produit.
Si il a fait, nous signalé un et spécifiquement Bien obtenir ceux pièces ce s'est produit.
Alors pour le descriptif analyse,
nous regardé à différent graphiques dans Tableau.
Ces inclus choses comme comment loin loin le joueurs étaient tournage depuis le panier,
et si ils étaient manquant ou faire semblant leur coups,
le rebond types, un nd choses comme ça
pour obtenir un idée de quoi joueurs étaient action pendant le Jeux,
si ils étaient en fait produire bien résultat pour sécurisé un revenir.
Alors dernièrement, le prédictif analyse nous a fait dans J Député Pro en utilisant un décision arbre
pour voir qui pièces et séquences de jeux produire le venir dos
et comment nous peut mieux regarder à ceux dans le avenir pour alors ont équipes
être capable pour produire plus retours tout au long de le saison.
Maintenant pour le méthodes avec le analyse salariale.
D'abord désactivé, nous avait pour faire quelques tableau rejoint.
Ces les articulations étaient nécessaire pour obtenir toutes les tables de données ensemble
comme nous nécessaire eux tous ensemble
pour vraiment pouvoir plonger dans tout comme un ensemble
Séparé il n'était pas aussi beaucoup aider pour nous.
Alors nous avons déplacé sur pour quelques données transformation.
Nous écrit SQL requêtes pour rassembler le compte de le clé métrique.
Ce est comment nous a obtenu le compte de coups
pour le divers joueurs
le long de avec autre choses tel comme rééquilibrer ou fautes.
Alors nous déplacé sur pour quelques descriptif analyse ce était complété dans Tableau.
Avec ce descriptif analyse,
un de le clé choses ce nous étaient regarder
était le revenir scores, le réel revenir scores,
et le prédit revenir scores contre le salaire de le joueurs.
Donc nous pourrait voir juste comment Bien ils sont effectuer
relatif pour leur salaire.
Alors enfin nous avait un prédictif analyse.
Nous a fait un linéaire régression ce était complété dans JMP Pro.
je sera aller dans un petit bit plus de détails à propos ce un petit bit plus tard sur.
Maintenant étaient en allant pour saut
dans ceux descriptif et prédictif analyse ce nous menées.
Étaient en allant pour commencer avec le descriptif analyse d'abord.
Ici, nous vouloir pour regarder à le salaire contre retours par chaque NBA équipe.
Si toi regarder à le données points,
toi peut voir ce la plupart équipes suivre la ligne de tendance,
signification ce comme ils dépenser plus d'argent sur leur équipes et salaire,
ils aussi produire un plus grand nombre de retours.
Donc toi peut voir ce le Boston Celtics
avait le la plupart retours à 14 vers le haut,
et alors le Cleveland cavaliers ont le le plus élevé salaire payé,
mais aussi un de le le moins retours avec seul cinq retours.
Quoi nous pensée était le la plupart intéressant était le Indiana Pacers,
parce que pas seul a fait ils payer tel un faible salaire,
mais ils étaient aussi capable pour produire 12 retours
qui est le troisième la plupart tout au long de le NBA.
je recherché pour se concentrer sur les Indiana Pacers
et voir quoi exactement ils faisaient
ce autorisé eux pour produire un si grand nombre de retours
avec tel un faible salaire taux.
Comme Weston a dit, nous recherché pour se concentrer sur le Indiana Pacers.
Ici nous voir le salaire de Les joueurs des Pacers par rapport à leurs scores de retour individuels.
Plusieurs très marqué joueurs sont trouvé dans le Indiana Pacers liste,
comme toi peut voir avec Mylès Tourneur, Carlson, Jeune, George, et Oladipo.
Le haut marqué joueurs sont diffuser à travers le salaire spectre.
Donc toi voir quelques bon marché joueurs tel comme Myles Turner ou Carlson
être plus de un milieu- gamme joueur, salaire payé joueur.
Alors toi aussi ont plus cher joueurs tel comme Paul George
ou Victor Oladipo plus loin vers le haut droite de le graphique là.
Donc toi peut vraiment voir comment ils ont répartir la richesse à travers
et sont obtenir maximum performance dehors de leur joueurs très bien payés,
mais aussi découverte performance dehors de inférieur payé joueurs.
Toi peut aussi voir ce ils ont plusieurs milieu étage joueurs ce venir dans jouer
et fournir grand aider pour le Pacers
comme ils besoin quelques joueurs pour venir désactivé le banc
et être capable pour fournir
quelques clé valeur pièces et produire retours.
Comme je a dit, un de le clé points que je veux souligner
était ce image Victor Oladipo— le le plus élevé payé joueur de l'équipe—
est aussi le le plus élevé effectuer dans conditions de revenir score,
donc ils sont certainement obtenir leur valeur dehors de lui comme un joueur.
Tous droite, donc maintenant étaient en allant pour obtenir dans notre prédictif analyse.
Pour commencer avec le jeu par jeu données, nous décidé pour faire un décision arbre
pour prédire le jouer taper ce fils Indiana Pacers produire un venir dos
en utilisant le suivant variables que vous peut voir dessous.
Bien voir ce seul un couple de ces variables
en fait joué un énorme impact dans prédire si le Pacers
sera venir dos depuis dix ou plus points.
Dans le décision arbre,
là sont deux nœuds dans particulier.
Un où le distance tir était supérieur ou égal à 26 pieds
depuis le panier, et ils étaient fabrication ceux,
comme Bien comme ayant une distance de tir supérieure ou égale à 3 pieds
depuis le panier,
signification ce ils sont regarder plus de un mise en page option.
Maintenant étaient en allant pour regarder à ceux deux nœuds un petit bit plus dans particulier.
Ces branches, comme je a dit,
prédire ce le Pacers produire revenir victoires.
Dans le global modèle nous avait un validation mauvaise classification taux de 45,97 %.
Comme je a dit,
le modèle prédit ce fait coups de 26 pieds et plus
fait couches 3 pieds ou plus loin depuis le panier fils pour retours.
Nous serait dire est,
ils devrait vraiment se concentrer sur le aspect en trois points
et plus plus haut pourcentage fusillades tel comme couches,
parce que comme toi peut voir dans les deux de ceux, le prédiction était un,
qui dans ce cas moyens ce le Pacers étaient capable pour produire un revenir.
Toi peut voir ce avec le 26 pieds et autre nœud,
le probabilité ce il égalé 1 était 62,75%,
Alors quand nous tournions des lay-ups à 3 pieds ou plus du panier.
toi avait un probabilité ce toi serait gain de 75,9%,
ou venir dos à 75,9 %.
Alors comme je a dit,
là étaient deux variables ce paraissent les plus importants
de le dix ce nous regardé à
en prédisant pourquoi le Les Pacers ont pu produire un retour
ce était d'abord tir distance.
Qui regardé à comment loin joueurs tir le balle,
et alors aussi tir résultat.
C'est si ils fait ou manqué le tir.
Avec le distance, comme je a dit,
26 pieds ou plus loin, qui est à propos le trois- indiquer gamme,
ou quelques de ceux plus haut pourcentage coups dans le jouer pour un se coucher.
Alors aussi si tu es fabrication plus coups,
tu es produire un plus haut score donnant toi un mieux chance de à venir dos.
Tous droite, donc maintenant en mouvement dans
notre linéaire régression portion de notre analyse prédictive.
Ce régression, comme je a dit, était complété dans JMP Pro,
et ce était fait pour prédire le revenir scores de individuel joueurs
basé sur le suivant variables ce toi voir là sur filtrer.
UN couple de le clé ceux pour indiquer seraient les salaires de leurs joueurs individuels,
leur équipe nom, et alors leur statistiques de carrière,
comme toi voir avec tous ceux différent variables là.
C'est aussi important pour note
ce le variables étaient choisi pour cette régression
basé sur leur niveau de importance.
Si le variable était pas trouvé pour être significatif,
il était pas inclus dans le régression.
En allant dans le résumé de adapté à cette régression linéaire,
je faire vouloir pour indiquer qu'il a un RSquare faible,
mais ce est pas un primaire préoccupation pour notre analyse.
Nous connaissait ce le revenir score
serait être basé sur le revenir statistique d'implication,
mais nous maintenant recherché pour savoir
quoi le le score serait basé sur complètement différent variables.
Donc plutôt de en utilisant le variables
ce nous utilisé pour créer le statistique initialement,
étaient maintenant en utilisant nouveau variables pour essayer pour prédire quoi il devrait être basé sur,
comme je a dit, leur salaire et carrière Statistiques.
Ce moyens ce le prédictions serait varier depuis le original scores
et ce était pas seul attendu dans notre analyse,
mais il était aussi voulu ce nous avons trouvé des partitions différentes
pour vraiment voir comment ils étaient censé pour effectuer.
Maintenant, basé sur ce analyse,
nous étaient capable pour venir en haut avec quelques de le la plupart important variables.
Le d'abord de qui ce nous scie était la plupart important était salaire.
Quelque chose ce nous étaient voyant
est ce plus haut payé joueurs étaient devrait être plus performant,
qui est quelque chose ce toi verrait certainement plus
dans le réel NBA.
Voyant ce joueurs comme Victor Oladipo ou LeBron James
avec plus haut les salaires payé pour eux serait être effectuer mieux
que ceux avec inférieur les salaires.
Alors en mouvement sur depuis là, nous aussi ont le équipe.
Ce un certainement fait du sens
comme toi voir ce quelques de le haut équipes
ce il cherchait une victoire de retour
et prédire le revenir scores
est le Doré État Guerriers et l'Indiana Pacers,
qui est un couple de le équipes ce nous scie
avait le le plus élevé nombre de victoires de retour
sur le saisons ce nous étaient en regardant à.
Alors nous aussi avait un couple de statistiques de carrière ce vraiment sauté en haut
et montré pour moi un couple de le la plupart important variables
pour ce régression.
Le d'abord de qui être le carrière total rebondit par le joueurs,
et alors ce était suivi par le carrière points.
Voyant ce joueur avait plus haut rebonds de carrière et points plus élevés,
nous attendu ceux joueurs pour produire plus
valeur chaque fois que il est venu pour créer revenir la victoire.
Je vais aussi note ce ces variables importantes
étaient calculé à travers le enregistrer valeur.
Maintenant étaient en allant pour regarder à le conclusions de le présentation.
D'accord, donc en allant dans quelques de le Indiana Pacers prédictions,
spécifiquement vouloir pour indiquer certains des meilleurs interprètes des Pacers
et sous interprètes.
Le bleu des points ce toi voir là sont les meilleurs joueurs des Pacers
ce nous scie dans le plus tôt graphiques
de le score de retour réel prévu par rapport au salaire,
alors que maintenant nous sont regarder le score prévu
ou leur réel revenir score, Désolé, contre le salaire,
et maintenant nous sont en regardant à le score prévu.
Le le orange X marquer le Pacers sous-performants.
Le sous-performants dans ce graphique avec le orange X,
nous sont voyant eux prédit pour être relativement beaucoup plus élevé
que leur coéquipiers, alors que avec leur réel scores,
ils sont découverte eux-mêmes plus milieu et bas de gamme du pack
relatif pour leur coéquipiers,
qui vraiment montre nous ce ils sont pas effectuer
en haut pour quoi leur statistiques de salaire et de carrière
dis ça ils devrait être effectuer
notamment quand il vient pour créer un revenir la victoire.
Mais il est important pour indiquer dehors
ce le équipe a fait un super travail de recruter des joueurs bon marché
ce produire revenir gagne.
Nous voir ceux joueurs tel comme Myles Turner ou Carlson, ou Young
ce ont un petit bit inférieur les salaires,
mais ils aussi produire un parcelle de pièces
ce peut aider avec créer un revenir gagner.
Alors nous aussi recherché pour indiquer dehors
certaines des prédictions des Cleveland Cavaliers
et leur défauts ce aller avec eux.
Le Cavs devrait ont plusieurs haut- étage revenir joueurs.
Un spécifiquement pour indiquer dehors serait être Kévin Aimer.
Kévin Aimer est là à le haut du graphique
et il a les deux un orange X et un bleu marquer suivant pour son nom.
Ce juste Des marques ce il était un de le réel haut interprètes
pour les cavaliers,
mais à le même temps, il est sous effectuer très.
Donc dans notre prédictions,
nous peut voir ce il est prédit pour en fait effectuer mieux que LeBron James,
qui est quelque chose ce est très intéressant pour indiquer dehors.
Comme je a dit, avec notre prédictions en fonction du salaire et de leurs statistiques de carrière,
nous serait attendre Kévin Aimer pour surpasser LeBron James
quand il est venu pour produire revenir gagne.
Mais dans réalité, il est en fait assez loin dans la liste
et il toujours restes un de le haut interprètes,
mais il fait pas produire presque comme beaucoup comme LeBron James fait.
Maintenant nous aussi recherché pour regarder à le meilleur estimé joueurs dans NBA.
Nous montrer le haut cinq ici.
En regardant à leur prédit revenir scores,
toi ont personnes tel comme Karl-Anthony Towns, Joel Embiid,
et Ben Simmons
qui ont été prédits pour être quelques de le plus haut effectuer joueurs
dans le entier ligue.
Mais comme toi peut aussi voir, quand ce données était pris,
ils avait relativement faible les salaires par rapport pour autre joueurs.
Quoi nous recommander ici
est certainement donnant ces joueurs le contrats qu'ils méritent,
comme ils aider équipes produire retours et évidemment
fournir statistiques ce permettre équipes pour effectuer leur meilleur.
Ils sont certainement faire plus pour quoi ils sont en fait valeur.
Alors nous aussi recherché pour regarder la meilleure ligne de prédictions
pour le Pacers.
Comme je mentionné plus tôt,
ce trois indiquer dans haut pourcentage accent.
Donc construire en haut la programmation de tournage des menaces depuis distance.
Toi ont personnes tel comme Robinson, Joseph et George
leur moyenne tir distance est à propos 15 pieds et plus
quand le trois- indiquer doubler est à propos 25 pieds,
donc ce montre ce ils tirent beaucoup de trois,
mais ils sont aussi fabrication il.
Pas seul sont ils tournage depuis ce loin,
mais ils sont aussi plus probable pour faire leur coups,
donc ceux personnes serait être bon à avoir dans le doubler en haut
chaque fois que toi sont en essayant pour produire un revenir
comme ils sont plus efficace.
Aussi parce que ils peut tirer depuis profond,
tu ferais attendre ce ils aussi ont un solide jouer bas faible
pour être capable pour obtenir un couche très vite
et obtenir ceux plus haut pourcentage coups va dans comme Bien.
Comme je mentionné,
un moyenne distance de fait tirs près de la ligne des trois points est
très important pour les Pacers en particulier
pour être capable pour produire un haut nombre de retours.
Ce analyse confirme quoi est déjà en allant sur dans le NBA.
Typiquement, équipes OMS trouver eux-mêmes bas par un certain nombre à Mi-temps
sera lancer en haut un petit bit plus trois- indiquer coups,
mais aussi ils ne le faites pas vraiment concentrez-vous sur ce look à pourcentage élevé
juste depuis bas faible dans le panier.
Nous aussi penser ce ils devrait se concentrer sur l'élaboration de pièces de théâtre,
permettre eux pour juste obtenir un rapide s'allonger et créer un élan là-dessus
comme ils essayer pour produire un revenir plus tard sur.
Tous droite, donc ce se termine notre présentation.
Nous juste vouloir pour dire un rapide remercier toi,
et ce est où nous serait ouvrir il en haut pour des questions.
