Bonjour, tout le monde. Mon nom est Kévin O'Donnell.
Je suis a JMP Mondial Stagiaire Référence Client,
et aujourd'hui Je vais être présentation sur a personnel analytique projet
que J'ai fait que est le NBA Joueur Modèle de correspondance.
Donc juste à obtenir commencé,
I serait comme à aller sur mon idée et le motivations pour bâtiment le modèle.
J'ai toujours a été incroyablement intéressé dans basket-ball.
J'ai a été a énorme basket-ball ventilateur pour mon entier vie,
et I était regarder pour a nouveau analytique projet à plonger dans,
donc I terminé en haut demander ce question ici:
Pourrait nous modèle a joueur offensant succès
basé sur leur moyennes et le force de leur adversaires comme Bien?
Donc comme la plupart de nous savoir depuis regarder n'importe lequel sport,
joueur performance varie considérablement depuis jeu à jeu.
C'est basé sur a variété de facteurs
et un de ces être a joueur moyenne points.
Que volonté être a très fort prédicteur pour points dans un NBA jeu,
mais c'est loin depuis le seulement influence sur a joueur offensant performance.
Donc en allant dans ce projet,
I recherché à construire a modèle que prédit le joueurs points dans le jeu
basé sur le points par jeu,
mais aussi a parcelle de autre variables lequel nous volonté regarder dans sur le suivant glisser.
Donc idéalement, ce volonté être utile pour entraîneurs et équipe analystes à,
pour exemple, déterminer lequel de leur offensant joueurs sont probable
à sur effectuer ou capable à effectuer vraiment Bien
basé sur leur correspondre hauts et vice inversement, lequel de leur joueurs ils pourrait vouloir
à éviter sur infraction parce que ils sont être gardé
par quelques de le meilleur défensive joueurs sur le autre équipe.
Cela pourrait informer jouer appel et jeu planification,
donc si a particulier défenseur est plus faible, entraîneurs peut regarder à cible que correspondre en haut
ou regarder à forcer a changer sur leur meilleur buteur.
Dans le divertissement royaume,
fantaisie basket-ball joueurs pourrait utiliser ce données à chiffre dehors
OMS à commencer ou OMS à prendre en haut désactivé le Renoncer Fil,
donc il a a large gamme de candidatures.
Donc voici a petit peu de le aperçu de le données.
Je vais aller à travers ce rapidement, et nous allons voir ce comme I aller
dans le JMP démo a petit peu plus dans détail,
mais étaient en allant à prédire points par jeu basé sur Sept principal catégories de données.
Donc étaient en allant à utiliser joueur offensant moyennes pour le saison,
ce comprend des choses comme points par jeu,
3.2 indiquer pourcentages, et avancé métrique tel comme usage taux,
lequel enregistrements comment souvent un offensant joueur est utilisé sur leur équipe.
Joueur attributs tel comme hauteur, aile portée, verticale saut
volonté aussi être compris pour les deux le offensant et défensive joueurs
parce que ces physique attributs, I serait supposer, aussi contribuer
à comment beaucoup points a joueur volonté score.
Enfin, dans termes de le offensant joueurs,
Bien utiliser carrière moyennes.
Le même moyennes que étaient en utilisant pour le saison,
Bien aussi utiliser pour le carrière à ajouter a petit plus robustesse à le modèle,
et dans l'ensemble équipe rythme et offensant rebondir pourcentage
est aussi en allant à être a prédicteur parce que que volonté déterminer
comment beaucoup possessions là volonté être.
Si là sont plus possessions dans le jeu, c'est plus probable que n'importe lequel donné joueur
volonté avoir plus points.
Et ainsi de suite que même jeton, défensive équipe rythme
et défensive rebondir pourcentage volonté aussi être utilisé.
Dans termes de individuel défensive statistiques, des choses comme vole, blocages, fautes,
et autre avancé métrique tel comme défensive gagner des parts, lequel mesures
un individuel joueur contribution à le équipe victoires sur défense.
Ceux sont aussi en allant à être prédicteurs à
probablement nier le montant de points que sont marqué par un offensant joueur.
Et alors enfin, le défenseur attributs volonté être utilisé comme I mentionné plus tôt.
Donc avant nous obtenir droite dans le données et le modélisation et JMP,
I serait comme à aller sur le match-up données que I était en utilisant
pour le en gros de le modèle.
Donc le NBA récemment mis en œuvre quelques nouveau personnel correspondre en haut données collection
et c'est basé sur détaillé joueur suivi.
Donc il pistes le le plus proche défenseur à chaque indiquer,
pas juste le primaire défenseur sur a jouer.
Il seulement pistes devant tribunal temps et il volonté piste partiel possessions.
Donc quoi ce moyens est que a joueur pourrait être gardé par
comme beaucoup comme cinq différent joueurs sur a célibataire jouer,
et chaque défenseur serait être récompensé le respectif montant
de match-up minutes pour que possession.
Donc ici nous avoir un exemple de Terry Rozier pour le Frelons
être gardé par quatre différent joueurs sur différent équipes.
Dans le d'abord rangée, Steph Curry est garde lui
dans seulement un jeu pour 2.7 minutes et autorisé deux points.
Donc si nous pense de a hypothétique où le Frelons sont jouant
Steph Curry's Doré État Guerriers et Curry gardé Rozier pour 10 secondes,
et alors Klay Thompson commuté sur à Rozier pour un autre 10 secondes,
les deux serait être récompensé ceux 10 secondes de match-up temps.
Cependant, si Rozier marqué a deux aiguille à le fin de ce possession,
le points serait être marqué pour Klay Thompson.
Ce est vraiment cool suivi données et I amour comment spécifique il est,
mais il a fait cause quelques problèmes quand J'ai essayé à modèle le points par minute
pour chaque joueur et défenseur combinaison, lequel était mon original plan.
Donc I était initialement en allant à utiliser le offensant joueur statistiques
et défensive joueur statistiques que I mentionné dans le précédent glisser
dans chaque individuel match-up.
Mais depuis beaucoup défenseurs, comme tu vas voir ici,
connecté très petit montants de temps,
comme Stanley Johnson seulement gardé Rozier pour un moyenne de sous un minute a jeu,
c'est pas assez temps
pour quelques de ces points par minute mesures à être normale.
Donc en allant dos à que Klay Thompson hypothétique,
si Klay seulement gardé Rozier pour 10 secondes le entier jeu
et Rozier ayant à score deux points dans que possession,
alors Rozier points par minute contre Klay dans que rangée serait être 12.
Donc évidemment, extrapolant que à a complet jeu,
même sauf le dos tribunal temps comme ce données fait, c'est très irréaliste.
Donc I avait à aller avec a légèrement différent, moins idéal approche.
Plutôt de en utilisant le individuel défensive statistiques,
I en fait moyenne eux dehors
pour chaque combinaison de joueur et défensive équipe.
Donc plutôt de en utilisant Rozier contre Curry et Rozier contre Thompson,
I serait utiliser Rozier contre le entier Doré État Guerriers moyenne basé sur
le montant de match-up minutes que chaque joueur défendu Rozier.
Donc pour exemple,
si Steph Curry et Klay Thompson les deux gardé lui pour moitié le montant
de possible correspondre en haut minutes, alors le équipe moyenne,
allons dire vole par jeu, serait juste être le arithmétique signifier
de Curry vole et Klay vole par jeu.
Le même serait aller pour chaque défensive variable
et c'est évidemment a simple exemple,
mais le même va pour chaque joueur contre chaque équipe.
Donc évidemment ce est pas idéal parce que il minimise
le individualité de le match-up.
Mais I avait à abandonner que points par minute approche
parce que le échantillons étaient aussi petit et le réponse était fortement déformé.
Donc ce modèle que J'ai créé avec le agrégé données est plus précis
que mon initial tentatives, même cependant il sacrifices quelques individualité.
Donc à ce indiquer, Je suis en allant à changer dans JMP ici
et faire a petit peu de le démo sur la façon dont I construit le modèle
et quelques exploratoire données analyse à commencer.
Donc à commencer, étaient juste en allant à regarder à quelques marginal relations
avec points dans le graphique constructeur,
et Je suis capable à choisir n'importe lequel I vouloir.
Mais pour maintenant étaient en allant à regarder spécifiquement à trois variables,
le d'abord être points par jeu.
Donc nous voir ici, nous avoir a modéré relation
avec points et points par jeu, et il est positif comme nous serait attendre.
Le moyenne points que quelqu'un met en haut dans a jeu,
ou sur le cours de le saison plutôt, est en allant à évidemment influence
comment beaucoup points ils score dans a jeu.
De la même manière, quelque chose comme usage taux,
le avancé statistiques que I était discuter plus tôt,
aussi a a positif relation,
juste légèrement plus faible que le relation entre points et points par jeu.
Enfin, si nous regarder à quelques de le carrière statistiques,
si nous regarder à carrière points par jeu, alors encore nous voir a positif relation,
mais que est a petit peu plus faible parce que c'est moyenne sur le cours
de a joueur carrière plutôt que le saison que étaient actuellement dans.
Mais avec un peu de chance ce pourrait aide ajuster pour quelques majeur différences
dans le points par jeu totaux ou moyennes plutôt.
Donc maintenant que nous avoir une sorte de un idée de le données elle-même,
nous peut se déplacer dans le simple linéaire régression
avec points par points par jeu comme a référence pour ce modèle.
Donc comme I mentionné,
toi peut prédire basé sur juste points par jeu
et il volonté donner toi a décent prédiction.
Mais étaient regarder à améliorer que prédiction par ajout
quelques de ces différent variables, offensant et défensive.
Donc si nous courir ce scénario ici,
ce est juste comparer quelques courses de a simple linéaire régression
sur le entraînement et validation ensemble en utilisant Pli en K validation tout au long de.
Et si I courir ici en utilisant le Caché Validation 2 colonne
que Je vais être en utilisant pour le reste de ces modèles,
alors nous peut voir le régression ici.
Donc voici a régression parcelle. Il apparence joli dispersé.
Il y a pas a clair linéaire relation, mais le RS pourquoi est modéré,
signification que 46,5 pour cent de le variation dans points est comptabilisé pour
par ce moyenne points par jeu, lequel est joli bien.
Et le Erreur quadratique moyenne est à propos 5. 27.
Le Erreur quadratique moyenne est le standard déviation de le résiduel,
donc c'est essentiellement le variation dans comment Bien notre modèle est prédire.
C'est standard déviation est autour cinq.
Et nous peut aussi regarder à quelques autre mesures,
tel comme le AIC, lequel est utilisé à comparer modèles pour prévisibilité.
Donc AIC est un autre important mesure,
et il mesures comment Bien le modèle volonté prédire
relatif à le nombre de prédicteurs mettre dans le modèle,
juste à faire bien sûr tu es pas ajout chemin aussi beaucoup.
Donc dans ce cas, le AIC est très haut, et nous peut viens dos à ce nombre
comme nous regarder à le comparaison entre ce et le multiple linéaire régression
que I volonté montrer plus tard.
Donc alors que I était en essayant à prendre le modèle que I était en allant à choisir,
I décidé à utiliser le modèle dépistage fonctionnalité dans JMP,
lequel permet toi à sélectionner ton réponse variables et tous le facteur variables.
I terminé en haut putting dans tous de le numérique variables que I avait pour a complet modèle
juste à voir initialement lequel modèles effectuer le meilleur.
Et I était capable à choisir depuis a variété de ces différent méthodes,
y compris XGB est et R généralisé émersion,
et alors de cours, juste le normale Location Carré.
Dans le intérêt de temps, ce serait prendre pour toujours à courir
parce que c'est en utilisant quelques de ces machine apprentissage algorithmes.
Donc Je suis plutôt juste en allant à tirer en haut un rapide capture d'écran de le modèle dépistage.
Donc ici nous avoir le sortir depuis ce modèle dépistage.
Il spectacles le RS pourquoi.
Encore, I était en utilisant Pli en K validation avec dix plis ici.
Donc ce spectacles le RS pourquoi
et le Racine M ean Carré Erreur pour chaque courir.
Donc nous peut voir que le Moins Carré Ajuster en fait avait
a très fort ajuster comparé à quelques de le machine apprentissage algorithmes,
lequel I était surpris par. Mais il en fait aide pour interprétabilité
parce que quelques de ces machine apprentissage algorithmes,
ils sont plus de a noir boîte. Et si I étaient à utiliser ceux,
il ne serait pas être comme facile à interpréter le coefficients ou voir
lequel variables sont vraiment significatif
ou lequel sont juste être utilisé pour prédiction.
Donc parce que le ajustement de Moindres carrés et le Régression Lasso,
lequel Je vais obtenir dans a petit peu plus tard, étaient donc haut,
c'est en fait a bien signe que Je suis capable à utiliser que pour mieux interprétabilité.
Donc comme nous peut voir, le la plupart précis modèle est ce multiple linéaire régression
avec Lasso Régularisation.
Lasso Régularisation est a statistique technique que régularise le modèle
et sélectionne caractéristiques à minimiser multicolinéarité.
Multicolinéarité est le corrélation entre prédicteurs
et que peut négativement affecter le modèle.
Donc en utilisant ce technique,
étaient capable à prendre le complet linéaire régression modèle montré ici
et retirer quelques de le variables à minimiser le multicolinéarité
et peut être satisfaire quelques de le linéaire hypothèses mieux.
Donc avec que information,
I était capable à prendre le variables choisi avec Lasso Régularisation
et alors créer a multiple linéaire régression en utilisant ceux variables.
Donc comme toi peut voir ici,
le Réel par Prédit Parcelle apparence joli similaire.
Il pourrait être légèrement plus proche à le doubler de meilleur ajuster ici, lequel est a bien signe.
Et nous peut voir notre effet résumés,
mais étaient en allant à rouleau a petit peu passé que
donc que nous obtenir à le résumé de notre ajuster.
Donc comparé à le simple linéaire régression,
le RS pourquoi et le Ajusté RS pourquoi sont très similaire et c'est probablement
parce que points par jeu est tel a fortement influent facteur dans ce,
comme Bien comme le simple linéaire régression, évidemment.
Donc le ajuster est pas aussi beaucoup différent.
Cependant, ajout ces différent variables montré ici fait améliorer
le Racine M ean Carré Erreur a petit peu.
Il est allé depuis à propos 5.3 à petit sur 5.2, lequel est pas a radical amélioration,
mais un amélioration néanmoins.
Mais le réel différence ici est dans le AIC et comparer ces modèles dans termes
de leur prévisibilité, le AIC abandonné de manière significative
depuis le simple linéaire régression à ce multiple linéaire régression
avec Lasso R régularisation, lequel est certainement a bien signe.
Nous voir quelques de ces Paramètre Estimations vers le bas ici et de cours le résultats
pour RS pourquoi et Racine Signifier Carré Erreur dans croix validation.
Donc regarder à quelques de ces Paramètre E estimations,
le points par jeu, encore très significatif,
c'est significatif à le .05 a lpha niveau et beaucoup ci-dessous que.
Et ce est à être attendu, comme nous avons expliqué déjà.
Chiffre d'affaires pourcentage est aussi significatif
et ce a a négatif relation avec points.
Comme un serait attendre, si tu es tournant le balle sur plus,
c'est moins opportunités à tirer le balle,
moins opportunités à score.
Donc que chèques dehors avec juste notre connaissance de basket-ball.
Ici nous avoir le défensive rythme, ou le rythme de le défensive équipe,
et ce a a légèrement positif relation avec points conditionnel
sur le autre facteurs dans le modèle.
Encore, c'est à être attendu parce que le plus rapide a équipe pièces de théâtre,
c'est en général plus chances.
Cependant, il pourrait pas avoir tel a fort effet comme revirements ou points par jeu.
Et alors enfin, défensive rebondir pourcentage.
Ce est juste comment souvent le défensive équipe transporte le défensive rebond.
Encore, ce est prévenir deuxième chance points pour le infraction,
donc il devrait avoir a négatif relation bateau, lequel il fait.
Donc tous ces des choses vérifier dehors,
et alors quelques de ces autre variables sont insignifiant conditionnellement,
mais compris parce que ils améliorer le prévisibilité de le modèle.
Donc quelque chose comme usage taux pourrait pas être significatif à le .05 niveau,
mais il néanmoins améliore notre prédictions.
Maintenant, connaissance que points par jeu pourrait pas être disponible
à le début de le saison, à le étendue que il est
près le fin de le saison,
signification que points par jeu pourrait être a petit moins fiable
avec a plus petit échantillon taille.
Identifiant regarder à créer un alterner modèle sans que
à voir si I pourrait toujours prédire
mieux que le simple linéaire régression et similaire à le Lasso régression,
mais sans dépendance sur a points par jeu pour le saison mesure.
Donc ce alterner modèle, I créé en utilisant en arrière sélection par AIC.
Et encore I gauche dehors le saison points par jeu,
donc il toujours comprend le autre points par jeu mesures,
ou autre par jeu mesures plutôt,
comme buts sur le terrain tenté depuis trois et depuis deux,
lequel le long de avec quelques de ces autre variables peut être a procuration pour
que moyenne points par jeu.
Donc il' s pas complètement robuste contre tôt saison fluctuations
et petit échantillon tailles.
Mais c'est possible que ces variables pourrait être a petit peu plus représentant
de comment a joueur est en allant à effectuer dans le long courir.
Je suis pensée que peut être
joueurs pourrait être a petit plus cohérent avec leur tenté statistiques,
ou le taux à lequel ils sont tournage le balle,
plutôt que juste le montant de points ils obtenir que pourrait varier basé sur
juste a petit échantillon taille.
Ces pourrait comme Bien mais...
Juste en utilisant ce modèle comme un alternative,
et il tours dehors que il en fait prédit
joli de la même manière à le modèle avec points par jeu dans il.
Donc il pourrait pas être favorisé nécessairement si points par jeu est disponible.
Inapproprié mais il fournit a similaire prédiction.
Donc nous peut voir que le RS pourquoi est joli similaire,
peut avoir augmenté a petit peu,
et le Racine Signifier Carré Erreur est encore similaire.
Le AIC suggère que le autre modèle est a mieux modèle pour prédire
basé sur le montant de variables compris, donc que est certainement quelque chose à note.
Mais chaque modèle a c'est avantages.
Ce un, particulièrement,
nous peut voir quelques de le conditionnel relations de le autre variables,
particulièrement ceux sur le défensive côté, que nous ne pouvait pas voir comme beaucoup
dans le autre un parce que points par jeu était dominateur donc beaucoup.
Donc nous voir ici que deux pointeurs et trois pointeurs tenté
sont pesée de manière insignifiante pour points, lequel encore,
que fait sens parce que le plus coups de feu tu es prise,
le plus probable toi sont à score plus points.
Et alors là sont quelques autre variables que faire sens,
et quelques autres que peut être zone petit déroutant à d'abord vue.
Donc offensant gagner des parts,
que être a significatif variable fait sens c'est mesure
comment beaucoup a joueur est contribuant à victoires sur le offensant côté,
il fait sens que que a a positif relation
comme nous peut voir vers le bas ici.
Donc offensant gagner des parts droite ici a a positif relation.
Et aussi le défensive rebondir pourcentage vers le bas ici
diminue le estimation encore, donc que est joli cohérent
avec quoi nous avons vu dans le précédent modèle.
Moyenne fautes par jeu, moyenne personnel fautes par jeu vers le bas ici,
a a négatif effet ce que je pensais était intéressant.
Donc a joueur ou équipe avec a plus haut faute total
est en allant à négativement affecter le points marqué pour le offensant joueur.
Ce pourrait signifier ils sont plus agressif.
I serait supposer que ils sont jouant plus intense défense dans limitant points
à travers vole, blocs, ou fortement contesté coups de feu,
et comme a résultat, ils sont obtenir plus fautes appelé sur eux.
Cependant, ce est pas tous bien pour le défense
parce que depuis le joueur peut faute dehors avec six fautes,
là est a certain équilibre à grève dans le ailier défensif.
Toi ne le faites pas vouloir à être aussi agressif
parce que alors toi pourrait être donner en haut Plus facile points
ou toi pourrait être menant ton joueurs dans faute inquiéter.
Donc c'est un intéressant variable, I pense, à considérer.
Et de cours, ce est a conditionnel importance,
donc il pourrait changement légèrement basé sur le suppression
ou ajout de certain autre variables.
Et enfin, a couple de défensive relations
sont particulièrement déroutant à d'abord coup d'oeil, I pense.
Spécifiquement impliquant blocs et défenseur hauteur.
Donc nous pense de basket-ball comme étant très dépendant sur hauteur.
Si toi sont plus grand, tu es plus probable à aller à le NBA.
Sept pieds de page, I pense toi avoir a 20 pour cent chance
de juste en allant à le NBA même si toi sont sept pieds.
Donc ce est quelque chose que nous pense, si tu bloc coups de feu plus et tu es plus grand,
tu es en allant à être affectant le infractions points négativement.
Cependant, nous voir que ces relations sont en fait conditionnellement positif,
lequel est très intéressant cette moyenne blocs par jeu
et le défenseur hauteur, comme Bien comme le blocage taux,
sont tous positif relations.
Et donc initialement, I était confus par ce, mais I pense ce a plus à dire à propos de
le joueurs que ces joueurs sont garde plutôt que
le réel variables eux-mêmes.
Donc quoi I signifier par ce est quand vous considérez que plus grand joueurs
avec mieux blocage statistiques sont grand hommes jouant pouvoir avant ou centre,
ils sont garde autre grand hommes.
Et donc que fait sens a petit peu plus.
Gardes tendre à mettre en haut plus points dans le NBA avec le accent
sur trois- indiquer tournage maintenant.
Et a parcelle de infractions sont courir à travers quelques de ces plus petit joueurs
OMS tendre à être gardé par autre plus petit joueurs.
Alors que ces plus grand joueurs, avec plus blocs,
sont garde grand hommes OMS peut être ne sont pas le focal indiquer de le infraction,
de côté depuis certain joueurs comme Jokic et Embiid et Jean.
Mais ce causes a positif relation,
mais c'est vraiment plus a fonction de le position
que ces joueurs sont jouant.
Donc I pensée que était un intéressant
conditionnel relation à souligner dans le modèle,
et il implique a petit peu plus Plus profond pensée à propos le relation entre
blocage, hauteur, et le points que un offensant joueur met en haut.
Donc dans termes de le modèle dans l'ensemble,
nous peut voir que ce un et le Lasso régularisé modèle
sont très similaire dans leur prédictions.
Bien voir que dans plus détail bientôt quand I retourner à le 2021 prédictions,
mais le choix alors pourrait pas être aussi significatif.
Les deux avoir leur avantages.
De cours, ce un permet nous à voir le importance de plus de le variables,
spécifiquement le défensive variables,
alors que le d'abord un a a légèrement inférieur AIC
et pourrait être mieux pour prédictions si le données est disponible.
Donc les deux partir a petit peu à être voulu
dans termes de prédire beaucoup plus de manière fiable que le simple linéaire régression.
I serait avoir aimé à voir ce Racine Moyens pourquoi Erreur diminuer plus,
et c'est quelque chose I serait regarder dans comme I continuer ce projet,
regarder à rassembler mieux données, en essayant à faire le confrontations
plus individualisé sans sacrifier le normalité de le réponse variable,
des choses comme que.
Mais avec que être dit, ces sont le modèles que I avoir maintenant,
et nous peut regarder à test ces sur le 2021 saison ainsi loin.
Donc si I changer sur ici au confrontations pour 2021,
nous avoir le même données tableau juste avec ce années confrontations.
Et donc Je suis juste sur Josh Hart's confrontations droite maintenant
parce que I aller à Villanova et il est a Villanova est génial,
donc ici nous avoir lui comme a joueur, son équipe, et le défensive équipes,
son statistiques, leur statistiques.
Comme nous avons déjà vu, ces sont tous le variables
que pourrait être compris dans le modèle.
S'excuser pour le rapide panoramique,
mais ici nous avoir le prédictions à le fin.
Donc ces prédiction variables, ou plutôt ces colonnes,
sont le modèle prédictions.
Donc notre d'abord un, notre d'abord modèle, est le Optimal Multiple L intra-auriculaire Régression
c'est en utilisant le Lasso régression et y compris le points par jeu variable.
Comme toi peut voir dans ce jeu,
il est prédit à mettre en haut 12,8 points et le résiduel ici est à propos cinq.
Donc dans réalité ce résiduel est le points moins le prédiction.
Donc il en fait mettre en haut, ce est autour 13 et ce est autour cinq,
donc il mettre en haut à propos 18 points ici plutôt de notre prédit 13.
Donc c'est évidemment pas a super mesure.
Et alors nous peut regarder à certains le alternative modèle.
Le alternative modèle prédiction est très similaire,
et nous volonté voir ce dans plus grand détail comme I retourner dos à le PowerPoint et montrer toi
gentil de a condensé version de ce données tableau,
parce que droite maintenant I savoir que ce dans JMP est a petit peu accablant
parce que il y a donc beaucoup variables, donc beaucoup aléatoire Nombres
être jeté à toi.
Donc Je suis en allant à changer dos
dans le PowerPoint à montrer toi quelques de le prédictions
pour les deux Josh Cerf ici et pour Kévin Pendant.
Tous droite, donc maintenant que nous avoir notre deux modèles
et le simple linéaire régression à comparer il à,
nous peut appliquer ces prédictions à jeux que Kévin Pendant a joué ce saison.
Donc ici sont quatre jeux joué dans Atlanta, Charlotte, Chicago, et Cleveland.
Dans le d'abord un, il marqué 31 points.
Dans actualité, les deux notre modèles prédit fermer à 26 points,
donc le résiduel est juste autour cinq.
Cependant, nous voir que quand Kevin Pendant est fermer à son moyenne points
autour 28 ou 29 points par jeu,
quand il en fait scores que, le prédictions sont très fermer
parce que points par jeu pèse donc fortement dans ces modèles.
Donc, pour exemple, dans ce Cleveland jeu,
notre d'abord modèle prédit 26.2 points, il en fait marqué 27.
Donc, le résiduel est moins que un.
Et de la même manière ici, le résidus moins que un
pour le alternative modèle comme Bien.
Donc nous voir que le modèle excelle quand joueurs effectuer fermer à moyenne,
lequel ils volonté faire la plupart de le temps. Mais il y a évidemment variation,
comme dans ce jeu contre Charlotte, il avait a particulièrement bien jeu.
Il marqué 38 points.
C'est a super jeu, mais particulièrement bien jeu par Kévin Pendant normes.
Et donc le modèle prédictions sont beaucoup plus loin désactivé.
Et nous voir le même chose avec Josh Cerf.
Son points moyenne a petit peu inférieur parce que lui, encore, porte a plus léger charger.
Kévin Pendant est a étoile joueur sur le Filets,
donc il est obtenir a parcelle de touches et prise a bien partie de ceux coups de feu.
Donc ici nous avoir Hart's production.
Encore, son points moyenne est plus proche à ces 12 et 14 gamme.
Donc le résidus ici sont très petit.
Quand il met en haut 14,
notre modèles prédit autour 13,5 et le résidus sont autour de 0,5 .
Donc nous avoir vraiment bien prédictions pour quand il scores
un moyenne montant de points ou fermer à un moyenne montant de points.
Mais quand il scores moins ou beaucoup plus grand
alors le prédictions tendre à souffrir a petit peu.
Donc avec tous ce être dit, I savoir I couru à travers ces modèles.
Allons-y prendre a étape dos et regarder à le limites dans détail
et quelques plus loin étude que I pourrait embrasser.
Donc d'abord de tous, ces sont en utilisant moyennes par le offensant joueur et défensive équipe
comme opposé à offensant joueur et individuel joueur.
Comme J'ai mentionné, que serait être le idéal scénario,
mais comme I était faire il, il n'a pas travail dehors comme que.
Donc que pourrait être causant quelques problèmes parce que c'est duplication quelques résultats.
Plutôt de être trier de a un à un,
si a joueur est être gardé par ce joueur,
ce est comment beaucoup points ils volonté score.
Si a joueur est être gardé par a combinaison de joueurs sur ce équipe,
ce est comment beaucoup points ils volonté score.
Donc c'est Plus facile à prédire mais peut être a petit moins précis.
En plus, le moyennes sont pour le entier saison,
lequel moyens prédictions vers le début peut être moins précis,
comme I mentionné, lequel est quelque chose que I pense le carrière valeurs
essayer à remède a petit peu.
Il pourrait être valeur ajout des choses comme points par jeu
dans le saison variables avec a décalage de peut être cinq saisons.
Donc prise le moyenne points par jeu pour le dernier saison, deux saisons il y a,
trois saisons il y a, et donc sur à essayer à ajouter quelques plus variables
et peut être prédire a temps ou a s'orienter dans joueur performance.
En plus, joueur performance est dépendant sur innombrable autre facteurs
tel comme froid ou chaud traces,
comment Bien ils ont a été en train de jouer comme de en retard,
blessures sur leur propre équipe, Blessures sur le opposé équipe
que pourrait augmenter ou diminuer leur rôle,
mineure blessures que ils sont transaction avec eux-mêmes
que pourrait diminuer ou augmenter leur rôle.
Et alors des choses comme repos jours,
voyage temps, et a parcelle de autre actifs incorporels
comme NBA joueurs sont humain et nous tous savoir quelques jours étaient pas sentiment le meilleur,
autre jours étaient sentiment super, plus énergique.
Ceux types de des choses pourrait plomb à mieux performance ou pire performance.
Donc ces actifs incorporels sont
pas en allant à être quelque chose que I peut facteur dans le modèle
mais c'est important à reconnaître que ils pourrait toujours affecter
le points dans a donné jeu.
Dans termes de plus loin étude,
I serait amour à gentil de rectifier tous ces limites
et regarder à prédire a plus holistique variable
tel comme offensant notation.
Donc offensant notation est en allant à prédire a joueur points par 100 possessions
contribué à le jeu plutôt de juste un aspect de le jeu dans points.
I serait amour à prédire quelque chose comme ce ou retourner il à le défensive côté
et prédire a défensive notation basé sur OMS ils sont probable
à aller en haut contre sur infraction.
Donc quelque chose comme que I pense serait être vraiment cool
et il serait étendre le application de ce plus vers entraîneurs
et équipe analystes plutôt de peut être quelques de le fantaisie basket-ball joueurs
OMS sont regarder pour a strict mesures comme points ou quelque chose comme que.
Donc avec tous ce être dit,
Je suis certainement en allant à continuer fonctionnement sur ce projet.
Il était a parcelle de amusant et I amour regarder à ces modèles
et interprétation depuis a basket-ball point de vue qu'est-ce que en allant sur.
Si toi avoir n'importe lequel questions, s'il te plaît sentir gratuit à mettre ceux questions
dans mon communauté poste dans le commentaires. Je vais être heureux à répondre eux.
Et si toi avoir n'importe lequel suggestions comme Bien pour plus loin étude,
I serait aussi être heureux à prendre ceux sur. Remercier toi donc beaucoup ton temps.
