Hallo, alle. Mein Name Ist Kevin O’Donnell.
Ich bin a JMP Allgemein Praktikant für Kundenreferenzen,
Und Heute Krank Sei präsentieren An a persönlich Analytik Projekt
Das Ich habe Erledigt Das Ist Die NBA Spieler Matchup-Modell.
Also Nur Zu erhalten gestartet,
I würde wie Zu gehen über Mein Idee Und Die Motivationen für Gebäude Die Modell.
Ich habe stets gewesen unglaublich interessiert In Basketball.
Ich habe gewesen a riesig Basketball Lüfter für Mein ganz Leben,
Und I War suchen für a neu Analytik Projekt Zu tauchen hinein,
Also I beendet hoch fragen Das Frage Hier:
Könnte Wir Modell a Spieler Offensive Erfolg
basierend An ihre Durchschnittswerte Und Die Stärke von ihre Gegner als Also?
Also als am meisten von uns wissen aus Aufpassen beliebig Sport,
Spieler Leistung variiert stark aus Spiel Zu Spiel.
Es ist basierend An a Vielfalt von Faktoren
Und eins von diese Sein a Spieler Durchschnitt Punkte.
Das Wille Sei a sehr stark Prädiktor für Punkte In ein NBA Spiel,
Aber es ist weit aus Die nur beeinflussen An a Spieler Offensive Leistung.
Also gehen hinein Das Projekt,
I gesucht Zu bauen a Modell Das vorhergesagt Die Spieler Punkte In Die Spiel
basierend An Die Punkte pro Spiel,
Aber Auch a viel von andere Variablen welche Wir Wille sehen hinein An Die nächste gleiten.
Also ideal, Das Wille Sei hilfreich für Trainer Und Team Analysten Zu,
für Beispiel, bestimmen welche von ihre Offensive Spieler Sind wahrscheinlich
Zu über durchführen oder fähig Zu durchführen Wirklich Also
basierend An ihre übereinstimmen ups Und Vize umgekehrt, welche von ihre Spieler Sie könnte wollen
Zu vermeiden An Angriff Weil sie sind Sein bewacht
von manche von Die am besten Defensive Spieler An Die andere Team.
Dies könnte informieren spielen Berufung Und Spiel Planung,
Also Wenn a besondere Verteidiger Ist schwächer, Trainer Mai sehen Zu Ziel Das übereinstimmen hoch
oder sehen Zu Gewalt a schalten auf ihre am besten Torschütze.
In Die Unterhaltung Reich,
Fantasie Basketball Spieler könnte verwenden Das Daten Zu Figur aus
WHO Zu Start oder WHO Zu wählen hoch aus Die Verzicht Draht,
Also Es hat a breit Reichweite von Anwendungen.
Also hier ist a wenig bisschen von Die Überblick von Die Daten.
Krank gehen durch Das schnell, und wir werden sehen Das als I gehen
hinein Die JMP Demo a wenig bisschen mehr In Detail,
Aber war gehen Zu vorhersagen Punkte pro Spiel basierend An Sieben hauptsächlich Kategorien von Daten.
Also war gehen Zu verwenden Spieler Offensive Durchschnittswerte für Die Jahreszeit,
Das beinhaltet Dinge wie Punkte pro Spiel,
3.2 Punkt Prozentsätze, Und fortschrittlich Metriken solch als Verwendung Rate,
welche Aufzeichnungen Wie oft ein Offensive Spieler Ist gebraucht An ihre Team.
Spieler Attribute solch als Höhe, Flügel Spanne, Vertikale Sprung
Wille Auch Sei inklusive für beide Die Offensive Und Defensive Spieler
Weil diese physisch Attribute, I würde annehmen, Auch beitragen
Zu Wie viele Punkte a Spieler Wille Punktzahl.
Endlich, In Bedingungen von Die Offensive Spieler,
Also verwenden Karriere Durchschnittswerte.
Der Dasselbe Durchschnittswerte Das war mit für Die Jahreszeit,
Also Auch verwenden für Die Karriere Zu hinzufügen a wenig mehr Robustheit Zu Die Modell,
Und gesamt Team Tempo Und Offensive Rückprall Prozentsatz
Ist Auch gehen Zu Sei a Prädiktor Weil Das Wille bestimmen
Wie viele Besitztümer Dort Wille Sei.
Wenn Dort Sind mehr Besitztümer In Die Spiel, es ist mehr wahrscheinlich Das beliebig gegeben Spieler
Wille haben mehr Punkte.
Und so weiter Das Dasselbe Zeichen, Defensive Team Tempo
Und Defensive Rückprall Prozentsatz Wille Auch Sei gebraucht.
In Bedingungen von Person Defensive Statistiken, Dinge wie stiehlt, Blocks, Fouls,
Und andere fortschrittlich Metriken solch als Defensive Aktien gewinnen, welche Maßnahmen
ein Person Spieler Beitrag Zu Die Mannschaft Siege An Verteidigung.
Diese Sind Auch gehen Zu Sei Prädiktoren Zu
wahrscheinlich negieren Die Menge von Punkte Das Sind erzielt von ein Offensive Spieler.
Und Dann Endlich, Die Verteidiger Attribute Wille Sei gebraucht als I erwähnt früher.
Also vor Wir erhalten Rechts hinein Die Daten Und Die Modellieren Und JMP,
I würde wie Zu gehen über Die Matchup Daten Das I War mit
für Die Schüttgut von Die Modell.
Also Die NBA kürzlich umgesetzt manche neu persönlich übereinstimmen hoch Daten Sammlung
Und es ist basierend An detailliert Spieler Verfolgung.
Also Es Spuren Die am nächsten Verteidiger bei jeder Punkt,
nicht Nur Die primär Verteidiger An a spielen.
Es nur Spuren Front Gericht Zeit Und Es Wille Schiene teilweise Besitztümer.
Also Was Das bedeutet Ist Das a Spieler könnte Sei bewacht von
als viele als fünf anders Spieler An a einzel spielen,
Und jede Verteidiger würde Sei ausgezeichnet Die jeweiligen Menge
von Matchup Minuten für Das Besitz.
Also Hier Wir haben ein Beispiel von Terry Rozier für Die Hornissen
Sein bewacht von vier anders Spieler An anders Teams.
In Die Erste Reihe, Steph Curry Ist Bewachung ihn
In nur eins Spiel für 2.7 Minuten Und erlaubt zwei Punkte.
Also Wenn Wir denken von a hypothetisch Wo Die Hornissen Sind spielen
Steph Currys Golden Zustand Krieger Und Curry bewacht Rozier für 10 Sekunden,
Und Dann Klay Thompson geschaltet An Zu Rozier für ein anderer 10 Sekunden,
beide würde Sei ausgezeichnet diese 10 Sekunden von Matchup Zeit.
Jedoch, Wenn Rozier erzielt a zwei Zeiger bei Die Ende von Das Besitz,
Die Punkte würde Sei markiert für Klay Thompson.
Das Ist Wirklich Cool Sendungsverfolgung Daten Und I Liebe Wie spezifisch Es Ist,
Aber Es tat Ursache manche Probleme Wann Ich habe es versucht Zu Modell Die Punkte pro Minute
für jede Spieler Und Verteidiger Kombination, welche War Mein Original planen.
Also I War ursprünglich gehen Zu verwenden Die Offensive Spieler Statistiken
Und Defensive Spieler Statistiken Das I erwähnt In Die vorherige gleiten
In jeder Person Matchup.
Aber seit viele Verteidiger, wie du wirst sehen Hier,
protokolliert sehr klein Beträge von Zeit,
wie Stanley Johnson nur bewacht Rozier für ein Durchschnitt von unter eins Minute a Spiel,
das ist nicht genug Zeit
für manche von diese Punkte pro Minute Messungen Zu Sei Normal.
Also gehen zurück Zu Das Klay Thompson hypothetisch,
Wenn Klay nur bewacht Rozier für 10 Sekunden Die ganz Spiel
Und Rozier haben Zu Punktzahl zwei Punkte In Das Besitz,
Dann Roziers Punkte pro Minute gegen Klay In Das Reihe würde Sei 12.
Also offensichtlich, Extrapolation Das Zu a voll Spiel,
sogar ausschließlich Die zurück Gericht Zeit als Das Daten tut, es ist sehr unrealistisch.
Also I hatte Zu gehen mit a leicht anders, weniger Ideal Ansatz.
Stattdessen von mit Die Person Defensive Statistiken,
I Genau genommen gemittelt ihnen aus
für jede Kombination von Spieler Und Defensive Team.
Also stattdessen von mit Rozier gegen Curry Und Rozier gegen Thompson,
I würde verwenden Rozier gegen Die gesamte Golden Zustand Krieger Durchschnitt basierend An
Die Menge von Matchup Minuten Das jede Spieler verteidigt Rozier.
Also für Beispiel,
Wenn Steph Curry Und Klay Thompson beide bewacht ihn für Hälfte Die Menge
von möglich übereinstimmen hoch Minuten, Dann Die Team Durchschnitt,
lasst uns sagen stiehlt pro Spiel, würde Nur Sei Die Arithmetik bedeuten
von Curry stiehlt Und Klay stiehlt pro Spiel.
Der Dasselbe würde gehen für jeder Defensive Variable
Und das ist offensichtlich a einfach Beispiel,
Aber Die Dasselbe geht für jeder Spieler gegen jeder Team.
Also offensichtlich Das Ist nicht Ideal Weil Es minimiert
Die Individualität von Die Matchup.
Aber I hatte Zu aufgeben Das Punkte pro Minute Ansatz
Weil Die Proben war zu klein Und Die Antwort War stark verzerrt.
Also Das Modell Das Ich habe erstellt mit Die aggregiert Daten Ist mehr genau
als Mein anfänglich Versuche, sogar obwohl Es Opfer manche Individualität.
Also bei Das Punkt, Ich bin gehen Zu schalten hinein JMP Hier
Und Tun a wenig bisschen von Die Demo darüber, wie I gebaut Die Modell
Und manche explorativ Daten Analyse Zu beginnen.
Also Zu beginnen, war Nur gehen Zu sehen bei manche marginal Beziehungen
mit Punkte In Die Graph Baumeister,
Und Ich bin fähig Zu wählen beliebig I wollen.
Aber für Jetzt war gehen Zu sehen speziell bei drei Variablen,
Die Erste Sein Punkte pro Spiel.
Also Wir sehen Hier, Wir haben a mäßig Beziehung
mit Punkte Und Punkte pro Spiel, Und Es Ist positiv als Wir würde erwarten.
Der Durchschnitt Punkte Das jemand setzt hoch In a Spiel,
oder über Die Kurs von Die Jahreszeit eher, Ist gehen Zu offensichtlich beeinflussen
Wie viele Punkte Sie Punktzahl In a Spiel.
Ähnlich, etwas wie Verwendung Rate,
Die fortschrittlich Statistiken Das I War diskutieren früher,
Auch hat a positiv Beziehung,
Nur leicht schwächer als Die Beziehung zwischen Punkte Und Punkte pro Spiel.
Endlich, Wenn Wir sehen bei manche von Die Karriere Statistiken,
Wenn Wir sehen bei Karriere Punkte pro Spiel, Dann wieder Wir sehen a positiv Beziehung,
Aber Das Ist a wenig bisschen schwächer Weil es ist gemittelt über Die Kurs
von a Spieler Karriere eher als Die Jahreszeit Das war momentan In.
Aber hoffentlich Das könnte helfen anpassen für manche wesentlich Unterschiede
In Die Punkte pro Spiel Summen oder Durchschnittswerte eher.
Also Jetzt Das Wir haben eine Art von ein Idee von Die Daten selbst,
Wir dürfen bewegen hinein Die einfach linear Regression
mit Punkte von Punkte pro Spiel als a Benchmark für Das Modell.
Also als I erwähnt,
Du dürfen vorhersagen basierend An Nur Punkte pro Spiel
Und Es Wille geben Du a anständig Vorhersage.
Aber war suchen Zu verbessern Das Vorhersage von Hinzufügen
manche von diese anders Variablen, Offensive Und Defensive.
Also Wenn Wir laufen Das Skript Hier,
Das Ist Nur Vergleichen manche Läufe von a einfach linear Regression
An Die Ausbildung Und Validierung Satz mit KFold Validierung hindurch.
Und Wenn I laufen Hier mit Die Versteckt Validierung 2 Spalte
Das Krank Sei mit für Die Rest von diese Modelle,
Dann Wir dürfen sehen Die Regression Hier.
Also hier ist a Regression Handlung. Es Aussehen hübsch verstreut.
Es gibt nicht a klar linear Beziehung, Aber Die RS Warum Ist mäßig,
Bedeutung Das 46,5 Prozent von Die Variation In Punkte Ist berücksichtigt für
von Das Durchschnitt Punkte pro Spiel, welche Ist hübsch Gut.
Und Die Mittlerer quadratischer Fehler Ist um 5. 27.
Der Mittlerer quadratischer Fehler ist die Standard Abweichung von Die Rest,
Also es ist im Wesentlichen Die Variation In Wie Also unser Modell Ist Vorhersagen.
Es ist Standard Abweichung Ist um fünf.
Und Wir dürfen Auch sehen bei manche andere Maßnahmen,
solch als Die AIC, welche Ist gebraucht Zu vergleichen Modelle für Vorhersagbarkeit.
Also AIC Ist ein anderer wichtig messen,
Und Es Maßnahmen Wie Also Die Modell Wille vorhersagen
relativ Zu Die Nummer von Prädiktoren setzen In Die Modell,
Nur Zu machen Sicher du bist nicht Hinzufügen Weg zu viele.
Also In Das Fall, Die AIC Ist sehr hoch, Und Wir dürfen kommen zurück Zu Das Nummer
als Wir sehen bei Die Vergleich zwischen Das Und Die mehrere linear Regression
Das I Wille zeigen später.
Also während I War versuchen Zu wählen Die Modell Das I War gehen Zu wählen,
I entschieden Zu verwenden Die Modell Screening Besonderheit In JMP,
welche erlaubt Du Zu wählen dein Antwort Variablen Und alle Die Faktor Variablen.
I beendet hoch Putten In alle von Die numerisch Variablen Das I hatte für a voll Modell
Nur Zu sehen anfänglich welche Modelle durchführen Die am besten.
Und I War fähig Zu wählen aus a Vielfalt von diese anders Methoden,
einschließlich XGB Ost Und Verallgemeinertes R Austritt,
Und Dann von Kurs, Nur Die Normal Mieten Quadrat.
In Die Interesse von Zeit, Das würde nehmen für immer Zu laufen
Weil es ist mit manche von diese Maschine Lernen Algorithmen.
Also Ich bin stattdessen Nur gehen Zu ziehen hoch eine schnelle Screenshot von Die Modell Vorführung.
Also Hier Wir haben Die Ausgabe aus Das Modell Vorführung.
Es zeigt Die RS Warum.
Wieder, I War mit KFold Validierung mit zehn Falten Hier.
Also Das zeigt Die RS Warum
Und Die Wurzel M ean Quadrat Fehler für jede laufen.
Also Wir dürfen sehen Das Die Am wenigsten Quadrat Fit Genau genommen hatte
a sehr stark fit verglichen Zu manche von Die Maschine Lernen Algorithmen,
welche I War überrascht von. Aber Es Genau genommen hilft für Interpretierbarkeit
Weil manche von diese Maschine Lernen Algorithmen,
sie sind mehr von a Schwarz Kasten. Und Wenn I war Zu verwenden diese,
Es würde nicht Sei als einfach Zu interpretieren Die Koeffizienten oder sehen
welche Variablen Sind wirklich bedeutsam
oder welche Sind Nur Sein gebraucht für Vorhersage.
Also Weil Die Passform von Kleinste Quadrate Und Die Lasso-Regression,
welche Krank erhalten hinein a wenig bisschen später, war Also hoch,
es ist Genau genommen a Gut Zeichen Das Ich bin fähig Zu verwenden Das für besser Interpretierbarkeit.
Also als Wir dürfen sehen, Die am meisten genau Modell Ist Das mehrere linear Regression
mit Lasso Regularisierung.
Lasso Regularisierung Ist a statistisch Technik Das reguliert Die Modell
Und wählt Merkmale Zu minimieren Multikollinearität.
Multikollinearität Ist Die Korrelation zwischen Prädiktoren
Und Das dürfen negativ beeinflussen Die Modell.
Also mit Das Technik,
war fähig Zu nehmen Die voll linear Regression Modell gezeigt Hier
Und entfernen manche von Die Variablen Zu minimieren Die Multikollinearität
Und Vielleicht erfüllen manche von Die linear Annahmen besser.
Also mit Das Information,
I War fähig Zu nehmen Die Variablen ausgewählt mit Lasso Regularisierung
Und Dann erstellen a mehrere linear Regression mit diese Variablen.
Also als Du dürfen sehen Hier,
Die Tatsächlich von Vorhergesagt Handlung Aussehen hübsch ähnlich.
Es könnte Sei leicht näher Zu Die Linie von am besten fit Hier, welche Ist a Gut Zeichen.
Und Wir dürfen sehen unser Wirkung Zusammenfassungen,
Aber war gehen Zu scrollen a wenig bisschen Vergangenheit Das
Also Das Wir erhalten Zu Die Zusammenfassung von unser fit.
Also verglichen Zu Die einfach linear Regression,
Die RS Warum Und Die Angepasst RS Warum Sind sehr ähnlich Und das ist wahrscheinlich
Weil Punkte pro Spiel Ist solch a stark einflussreich Faktor In Das,
als Also als Die einfach linear Regression, offensichtlich.
Also Die fit Ist nicht zu viel anders.
Jedoch, Hinzufügen diese anders Variablen gezeigt Hier tut verbessern
Die Wurzel M ean Quadrat Fehler a wenig bisschen.
Es ging aus um 5.3 Zu wenig über 5.2, welche Ist nicht a drastisch Verbesserung,
Aber ein Verbesserung dennoch.
Aber Die real Unterschied Hier Ist In Die AIC Und Vergleichen diese Modelle In Bedingungen
von ihre Vorhersagbarkeit, Die AIC fallen gelassen deutlich
aus Die einfach linear Regression Zu Das mehrere linear Regression
mit Lasso R Regularisierung, welche Ist definitiv a Gut Zeichen.
Wir sehen manche von diese Parameter Schätzungen runter Hier Und von Kurs Die Ergebnisse
für RS Warum Und Wurzel Bedeuten Quadrat Fehler In kreuzen Validierung.
Also suchen bei manche von diese Parameter E Schätzungen,
Die Punkte pro Spiel, wieder sehr bedeutsam,
es ist bedeutsam bei Die .05 a lpha Ebene Und viele unten Das.
Und Das Ist Zu Sei erwartet, als wir haben erklärt bereits.
Umsatz Prozentsatz Ist Auch bedeutsam
Und Das hat a Negativ Beziehung mit Punkte.
Als eins würde erwarten, Wenn du bist Drehen Die Ball über mehr,
das ist weniger Gelegenheiten Zu schießen Die Ball,
weniger Gelegenheiten Zu Punktzahl.
Also Das Schecks aus mit Nur unser Wissen von Basketball.
Hier Wir haben Die Defensive Tempo, oder Die Tempo von Die Defensive Team,
Und Das hat a leicht positiv Beziehung mit Punkte bedingt
An Die andere Faktoren In Die Modell.
Wieder, das ist Zu Sei erwartet Weil Die Schneller a Team Theaterstücke,
das ist allgemein mehr Chancen.
Jedoch, Es könnte nicht haben solch a stark Wirkung als Umsätze oder Punkte pro Spiel.
Und Dann Endlich, Defensive Rückprall Prozentsatz.
Das Ist Nur Wie oft Die Defensive Team Transporte Die Defensive Rebound.
Wieder, Das Ist Verhinderung zweite Chance Punkte für Die Angriff,
Also Es sollen haben a Negativ Beziehung Schiff, welche Es tut.
Also alle diese Dinge überprüfen aus,
Und Dann manche von diese andere Variablen Sind unbedeutend bedingt,
Aber inklusive Weil Sie verbessern Die Vorhersagbarkeit von Die Modell.
Also etwas wie Verwendung Rate könnte nicht Sei bedeutsam bei Die .05 Ebene,
Aber Es dennoch verbessert unser Vorhersagen.
Jetzt, Wissen Das Punkte pro Spiel könnte nicht Sei verfügbar
bei Die Anfang von Die Jahreszeit, Zu Die Ausmaß Das Es Ist
nahe Die Ende von Die Jahreszeit,
Bedeutung Das Punkte pro Spiel könnte Sei a wenig weniger zuverlässig
mit a kleiner Probe Größe.
Ausweis sehen Zu erstellen ein wechseln Modell ohne Das
Zu sehen Wenn I könnte Trotzdem vorhersagen
besser als Die einfach linear Regression Und ähnlich Zu Die Lasso Regression,
Aber ohne Abhängigkeit An a Punkte pro Spiel für Die Jahreszeit messen.
Also Das wechseln Modell, I erstellt mit rückwärts Auswahl von AIC.
Und wieder I links aus Die Jahreszeit Punkte pro Spiel,
Also Es Trotzdem beinhaltet Die andere Punkte pro Spiel Messungen,
oder andere pro Spiel Messungen eher,
wie Feldtore versucht aus drei Und aus zwei,
welche entlang mit manche von diese andere Variablen dürfen Sei a Proxy für
Das Durchschnitt Punkte pro Spiel.
Also Es' s nicht vollständig robust gegen früh Jahreszeit Schwankungen
Und klein Probe Größen.
Aber es ist möglich Das diese Variablen könnte Sei a wenig bisschen mehr Vertreter
von Wie a Spieler Ist gehen Zu durchführen In Die lang laufen.
Ich bin Denken Das Vielleicht
Spieler könnte Sei a wenig mehr konsistent mit ihre versucht Statistiken,
oder Die Rate bei welche sie sind Schießen Die Ball,
eher als Nur Die Menge von Punkte Sie erhalten Das könnte variieren basierend An
Nur a klein Probe Größe.
Diese könnte als Also Aber...
Nur mit Das Modell als ein Alternative,
Und Es dreht sich aus Das Es Genau genommen sagt voraus
hübsch ähnlich Zu Die Modell mit Punkte pro Spiel In Es.
Also Es könnte nicht Sei begünstigt unbedingt Wenn Punkte pro Spiel Ist verfügbar.
Unangemessen Aber Es bietet a ähnlich Vorhersage.
Also Wir dürfen sehen Das Die RS Warum Ist hübsch ähnlich,
Mai haben erhöht a wenig bisschen,
Und Die Wurzel Bedeuten Quadrat Fehler Ist wieder ähnlich.
Der AIC schlägt vor Das Die andere Modell Ist a besser Modell für Vorhersagen
basierend An Die Menge von Variablen enthalten, Also Das Ist definitiv etwas Zu Notiz.
Aber jede Modell hat es ist Vorteile.
Das eins, insbesondere,
Wir dürfen sehen manche von Die bedingt Beziehungen von Die andere Variablen,
insbesondere diese An Die Defensive Seite, Das Wir konnte nicht sehen als viel
In Die andere eins Weil Punkte pro Spiel War dominierend Also viel.
Also Wir sehen Hier Das zwei Zeiger Und drei Zeiger versucht
Sind Wiegen unbedeutend für Punkte, welche wieder,
Das macht Sinn Weil Die mehr Schüsse du bist nehmen,
Die mehr wahrscheinlich Du Sind Zu Punktzahl mehr Punkte.
Und Dann Dort Sind manche andere Variablen Das machen Sinn,
Und manche andere Das Vielleicht Bereich wenig verwirrend bei Erste Sicht.
Also Offensive Aktien gewinnen,
Das Sein a bedeutsam Variable macht Sinn das ist Messung
Wie viel a Spieler Ist beitragen Zu Siege An Die Offensive Seite,
Es macht Sinn Das Das hat a positiv Beziehung
als Wir dürfen sehen runter Hier.
Also Offensive Aktien gewinnen Rechts Hier hat a positiv Beziehung.
Und Auch Die Defensive Rückprall Prozentsatz runter Hier
nimmt ab Die Schätzung wieder, Also Das Ist hübsch konsistent
mit Was wir haben gesehen In Die vorherige Modell.
Durchschnitt Fouls pro Spiel, Durchschnitt persönlich Fouls pro Spiel runter Hier,
hat a Negativ Wirkung was ich dachte War interessant.
Also a Spieler oder Team mit a höher Foul gesamt
Ist gehen Zu negativ beeinflussen Die Punkte erzielt für Die Offensive Spieler.
Das könnte bedeuten sie sind mehr aggressiv.
I würde annehmen Das Sie Sind spielen intensiver Verteidigung In Begrenzung Punkte
durch stiehlt, Blöcke, oder stark umstritten Schüsse,
Und als a Ergebnis, sie sind bekommen mehr Fouls angerufen An ihnen.
Jedoch, Das Ist nicht alle Gut für Die Verteidigung
Weil seit Die Spieler dürfen Foul aus mit sechs Fouls,
Dort Ist a bestimmt Gleichgewicht Zu schlagen In Die Defensive End.
Du nicht wollen Zu Sei zu aggressiv
Weil Dann Du könnte Sei Geben hoch Einfacher Punkte
oder Du könnte Sei führend dein Spieler hinein Foul Problem.
Also das ist ein interessant Variable, I denken, Zu halten.
Und von Kurs, Das Ist a bedingt Bedeutung,
Also Es könnte ändern leicht basierend An Die Entfernung
oder Zusatz von bestimmt andere Variablen.
Und Endlich, a Paar von Defensive Beziehungen
Sind insbesondere verwirrend bei Erste Blick, I denken.
Speziell Einbeziehung Blöcke Und Verteidiger Höhe.
Also Wir denken von Basketball als sehr abhängig An Höhe.
Wenn Du Sind größer, du bist mehr wahrscheinlich Zu gehen Zu Die NBA.
Sieben Fußzeilen, I denken Du haben a 20 Prozent Chance
von Nur gehen Zu Die NBA sogar Wenn Du Sind sieben Fuß.
Also Das Ist etwas Das Wir denken, wenn du Block Schüsse mehr Und du bist größer,
du bist gehen Zu Sei beeinflussend Die Straftat Punkte negativ.
Jedoch, Wir sehen Das diese Beziehungen Sind Genau genommen bedingt positiv,
welche Ist sehr interessant dieser Durchschnitt Blöcke pro Spiel
Und Die Verteidiger Höhe, als Also als Die Blockierung Rate,
Sind alle positiv Beziehungen.
Und Also anfänglich, I War verwirrt von Das, Aber I denken Das hat mehr Zu sagen über
Die Spieler Das diese Spieler Sind Bewachung eher als
Die tatsächlich Variablen selbst.
Also Was I bedeuten von Das Ist Wann du überlegst Das größer Spieler
mit besser Blockierung Statistiken Sind groß Männer spielen Leistung nach vorne oder Center,
sie sind Bewachung andere groß Männer.
Und Also Das macht Sinn a wenig bisschen mehr.
Wachen neigen Zu setzen hoch mehr Punkte In Die NBA mit Die Schwerpunkt
An drei- Punkt Schießen Jetzt.
Und a viel von Straftaten Sind laufen durch manche von diese kleiner Spieler
WHO neigen Zu Sei bewacht von andere kleiner Spieler.
Wohingegen diese größer Spieler, mit mehr Blöcke,
Sind Bewachung groß Männer WHO Vielleicht sind nicht Die Fokus Punkt von Die Angriff,
beiseite aus bestimmt Spieler wie Jokic Und Embiid Und Giannis.
Aber Das Ursachen a positiv Beziehung,
Aber es ist Wirklich mehr a Funktion von Die Position
Das diese Spieler Sind spielen.
Also I Gedanke Das War ein interessant
bedingt Beziehung Zu Highlight innerhalb Die Modell,
Und Es beinhaltet a wenig bisschen mehr Tiefer Denken um Die Beziehung zwischen
Blockierung, Höhe, Und Die Punkte Das ein Offensive Spieler setzt hoch.
Also In Bedingungen von Die Modell gesamt,
Wir dürfen sehen Das Das eins und das Lasso reguliert Modell
Sind sehr ähnlich In ihre Vorhersagen.
Also sehen Das In mehr Detail bald Wann I umdrehen Zu Die 2021 Vorhersagen,
Aber Die Auswahl Dann könnte nicht Sei zu bedeutsam.
Beide haben ihre Vorteile.
Von Kurs, Das eins erlaubt uns Zu sehen Die Bedeutung von mehr von Die Variablen,
speziell Die Defensive Variablen,
wohingegen Die Erste eins hat a leicht untere AIC
Und könnte Sei besser für Vorhersagen Wenn Die Daten Ist verfügbar.
Also beide verlassen a wenig bisschen Zu Sei gewünscht
In Bedingungen von Vorhersagen viel mehr zuverlässig als Die einfach linear Regression.
I würde haben mochte Zu sehen Das Wurzel Bedeutet Warum Fehler verringern mehr,
Und es ist etwas I würde sehen hinein als I weitermachen Das Projekt,
suchen Zu versammeln besser Daten, versuchen Zu machen Die Paarungen
mehr individualisiert ohne opfernd Die Normalität von Die Antwort Variable,
Dinge wie Das.
Aber mit Das Sein sagte, diese Sind Die Modelle Das I haben Jetzt,
Und Wir dürfen sehen Zu prüfen diese An Die 2021 Jahreszeit daher weit.
Also Wenn I schalten über Hier zum Paarungen für 2021,
Wir haben Die Dasselbe Daten Tisch Nur mit Das Jahres Paarungen.
Und Also Ich bin Nur An Josh Hart's Paarungen Rechts Jetzt
Weil I gehen Zu Villanova Und er ist a Villanova großartig,
Also Hier Wir haben ihn als a Spieler, sein Team, Und Die Defensive Mannschaften,
sein Statistiken, ihre Statistiken.
Als wir haben bereits gesehen, diese Sind alle Die Variablen
Das könnte Sei inklusive In Die Modell.
Sich entschuldigen für Die schnell Schwenken,
Aber Hier Wir haben Die Vorhersagen bei Die Ende.
Also diese Vorhersage Variablen, oder eher diese Spalten,
Sind Die Modell Vorhersagen.
Also unser Erste eins, unser Erste Modell, Ist Die Optimal Mehrere L im Ohr Regression
das ist mit Die Lasso Regression Und einschließlich Die Punkte pro Spiel Variable.
Als Du dürfen sehen In Das Spiel,
Er Ist vorhergesagt Zu setzen hoch 12.8 Punkte Und Die Rest Hier Ist um fünf.
Also In Wirklichkeit Das Rest ist die Punkte Minus Die Vorhersage.
Also Er Genau genommen setzen hoch, Das Ist um 13 Und Das Ist um fünf,
Also Er setzen hoch um 18 Punkte Hier stattdessen von unser vorhergesagt 13.
Also das ist offensichtlich nicht a Großartig messen.
Und Dann Wir dürfen sehen bei einigen Die Alternative Modell.
Der Alternative Modell Vorhersage Ist sehr ähnlich,
Und Wir Wille sehen Das In größer Detail als I umdrehen zurück Zu Die Steckdose Und zeigen Du
Art von a kondensiert Version von Das Daten Tisch,
Weil Rechts Jetzt I wissen Das Das in JMP Ist a wenig bisschen überwältigend
Weil es gibt Also viele Variablen, Also viele zufällig Zahlen
Sein geworfen bei Du.
Also Ich bin gehen Zu schalten zurück
hinein Die Steckdose Zu zeigen Du manche von Die Vorhersagen
für beide Josh Hirsch Hier Und für Kevin Während.
Alle Rechts, Also Jetzt Das Wir haben unser zwei Modelle
Und Die einfach linear Regression Zu vergleichen Es Zu,
Wir dürfen anwenden diese Vorhersagen Zu Spiele Das Kevin Während hat gespielt Das Jahreszeit.
Also Hier Sind vier Spiele gespielt in Atlanta, Charlotte, Chicago, Und Cleveland.
In Die Erste eins, Er erzielt 31 Punkte.
In Wirklichkeit, beide unser Modelle vorhergesagt schließen Zu 26 Punkte,
Also Die Rest Ist Nur um fünf.
Jedoch, Wir sehen Das als Kevin Während Ist schließen Zu sein Durchschnitt Punkte
um 28 oder 29 Punkte pro Spiel,
Wann Er Genau genommen Partituren Das, Die Vorhersagen Sind sehr schließen
Weil Punkte pro Spiel wiegt Also stark In diese Modelle.
Also, für Beispiel, In Das Cleveland Spiel,
unser Erste Modell vorhergesagt 26.2 Punkte, Er Genau genommen erzielt 27.
Daher, Die Rest Ist weniger als eins.
Und ähnlich Hier, Die Rest weniger als eins
für Die Alternative Modell als Also.
Also Wir sehen Das Die Modell zeichnet sich aus Wann Spieler durchführen schließen Zu Durchschnitt,
welche Sie Wille Tun am meisten von Die Zeit. Aber es gibt offensichtlich Variation,
wie In Das Spiel gegen Charlotte, Er hatte a insbesondere Gut Spiel.
Er erzielt 38 Punkte.
Es ist a Großartig Spiel, Aber insbesondere Gut Spiel von Kevin Während Standards.
Und Also Die Modell Vorhersagen Sind viel weiter aus.
Und Wir sehen Die Dasselbe Ding mit Josh Hirsch.
Sein Punkte Durchschnitt a wenig bisschen untere Weil er, wieder, trägt a Feuerzeug laden.
Kevin Während Ist a Stern Spieler An Die Netze,
Also er ist bekommen a viel von berührt Und Einnahme a Gut Portion von diese Schüsse.
Also Hier Wir haben Hart's Produktion.
Wieder, sein Punkte Durchschnitt ist näher Zu diese 12 Und 14 Reichweite.
Also Die Residuen Hier Sind sehr klein.
Wann Er setzt hoch 14,
unser Modelle vorhergesagt um 13.5 Und Die Residuen liegen bei etwa 0,5 .
Also Wir haben Wirklich Gut Vorhersagen für Wann Er Partituren
ein Durchschnitt Menge von Punkte oder schließen Zu ein Durchschnitt Menge von Punkte.
Aber Wann Er Partituren weniger oder viel größer
Dann Die Vorhersagen neigen Zu leiden a wenig bisschen.
Also mit alle Das Sein sagte, I wissen I lief durch diese Modelle.
Lasst uns nehmen a Schritt zurück Und sehen bei Die Einschränkungen In Detail
Und manche weiter Studie Das I könnte umarmen.
Also Erste von alle, diese Sind mit Durchschnittswerte von Die Offensive Spieler Und Defensive Team
als dagegen Zu Offensive Spieler Und Person Spieler.
Als Ich habe erwähnt, Das würde Sei Die Ideal Szenario,
Aber als I War tun Es, Es nicht arbeiten aus wie Das.
Also Das könnte Sei verursacht manche Probleme Weil es ist Duplizieren manche Ergebnisse.
Stattdessen von Sein Sortieren von a eins Zu eins,
Wenn a Spieler Ist Sein bewacht von Das Spieler,
Das Ist Wie viele Punkte Sie Wille Punktzahl.
Wenn a Spieler Ist Sein bewacht von a Kombination von Spieler An Das Team,
Das Ist Wie viele Punkte Sie Wille Punktzahl.
Also es ist Einfacher Zu vorhersagen Aber Vielleicht a wenig weniger genau.
Zusätzlich, Die Durchschnittswerte Sind für Die gesamte Jahreszeit,
welche bedeutet Vorhersagen zu Die Anfang Mai Sei weniger genau,
als I erwähnt, welche Ist etwas Das I denken Die Karriere Werte
versuchen Zu Abhilfe a wenig bisschen.
Es könnte Sei Wert Hinzufügen Dinge wie Punkte pro Spiel
In Die Jahreszeit Variablen mit a Verzögerung von Vielleicht fünf Jahreszeiten.
Also Einnahme Die Durchschnitt Punkte pro Spiel für Die zuletzt Jahreszeit, zwei Jahreszeiten vor,
drei Jahreszeiten vor, Und Also An Zu versuchen Zu hinzufügen manche mehr Variablen
Und Vielleicht vorhersagen a Zeit oder a Trend In Spieler Leistung.
Zusätzlich, Spieler Leistung Ist abhängig An unzählige andere Faktoren
solch als kalt oder heiß Streifen,
Wie Also Sie haben gewesen Durchführung als von spät,
Verletzungen An ihre eigen Team, Verletzungen An Die Gegner Team
Das könnte Zunahme oder verringern ihre Rolle,
unerheblich Verletzungen Das Sie Sind Umgang mit selbst
Das könnte verringern oder Zunahme ihre Rolle.
Und Dann Dinge wie ausruhen Tage,
reisen Zeit, Und a viel von andere immaterielle Vermögenswerte
wie NBA Spieler Sind menschlich Und Wir alle wissen manche Tage war nicht Gefühl Die am besten,
andere Tage war Gefühl Großartig, mehr energisch.
Diese Typen von Dinge könnte führen Zu besser Leistung oder schlechter Leistung.
Also diese immaterielle Vermögenswerte Sind
nicht gehen Zu Sei etwas Das I dürfen Faktor hinein Die Modell
Aber es ist wichtig Zu erkennen Das Sie könnte Trotzdem beeinflussen
Die Punkte In a gegeben Spiel.
In Bedingungen von weiter Studie,
I würde Liebe Zu Art von beheben alle diese Einschränkungen
Und sehen Zu vorhersagen a mehr ganzheitliche Variable
solch als Offensive Bewertung.
Also Offensive Bewertung Ist gehen Zu vorhersagen a Spieler Punkte pro 100 Besitztümer
beigetragen Zu Die Spiel stattdessen von Nur eins Aspekt von Die Spiel In Punkte.
I würde Liebe Zu vorhersagen etwas wie Das oder umdrehen Es Zu Die Defensive Seite
Und vorhersagen a Defensive Bewertung basierend An WHO sie sind wahrscheinlich
Zu gehen hoch gegen An Angriff.
Also etwas wie Das I denken würde Sei Wirklich Cool
Und Es würde verlängern Die Anwendung von Das mehr zu Trainer
Und Team Analysten stattdessen von Vielleicht manche von Die Fantasie Basketball Spieler
WHO Sind suchen für a strikt Messung wie Punkte oder etwas wie Das.
Also mit alle Das Sein sagte,
Ich bin definitiv gehen Zu weitermachen Arbeiten An Das Projekt.
Es War a viel von Spaß Und I Liebe suchen bei diese Modelle
Und Dolmetschen aus a Basketball Standpunkt was ist gehen An.
Wenn Du haben beliebig Fragen, Bitte fühlen frei Zu setzen diese Fragen
In Mein Gemeinschaft Post In Die Kommentare. Krank Sei Glücklich Zu Antwort ihnen.
Und Wenn Du haben beliebig Vorschläge als Also für weiter Studie,
I würde Auch Sei Glücklich Zu nehmen diese An. Dank Du Also viel dein Zeit.
