Ciao, tutti. Mio nome È Kevin O'Donnell.
Io sono a JMP Globale Stagista addetto alle referenze dei clienti,
E Oggi Malato Essere presentando SU a personale analisi progetto
Quello Io ho Fatto Quello È IL NBA Giocatore Modello di abbinamento.
COSÌ Appena A Ottenere iniziato,
I 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 a Enorme pallacanestro fan per Mio Totale vita,
E I era guardare per a nuovo analisi progetto A tuffo in,
COSÌ I finito su chiedendo Questo domanda Qui:
Potevo Noi modello a del giocatore offensiva 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 a varietà Di fattori
E uno Di questi essendo a del giocatore media punti.
Quello Volere Essere a molto forte predittore per punti In UN NBA gioco,
Ma suo lontano da IL soltanto influenza SU a del giocatore offensiva prestazione.
COSÌ andando in Questo progetto,
I ricercato A costruire a modello Quello previsto IL giocatori punti In IL gioco
basato SU IL punti per gioco,
Ma Anche a 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 offensiva giocatori Sono probabile
A Sopra eseguire O capace A eseguire Veramente BENE
basato SU loro incontro UPS E vice viceversa, Quale Di loro giocatori Essi Potrebbe Volere
A Evitare SU offesa Perché loro sono essendo custodito
di Alcuni Di IL migliore difensiva giocatori SU IL altro squadra.
Questo potrebbe informare giocare chiamando E gioco pianificazione,
COSÌ Se a particolare difensore È più debole, allenatori Maggio Aspetto A bersaglio Quello incontro su
O Aspetto A forza a 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 a ampio allineare Di applicazioni.
COSÌ ecco a poco morso Di IL panoramica Di IL dati.
Malato andare Attraverso Questo velocemente, e noi Vedere Questo COME I andare
in IL JMP dimostrazione a poco morso Di più In dettaglio,
Ma erano andando A predire punti per gioco basato SU Sette principale categorie Di dati.
COSÌ erano andando A utilizzo giocatore offensiva medie per IL stagione,
Questo include cose Piace punti per gioco,
3.2 punto percentuali, E avanzato metrica come COME utilizzo valutare,
Quale registrazioni Come Spesso UN offensiva giocatore È usato SU loro squadra.
Giocatore attributi come COME altezza, ala campata, verticale salto
Volere Anche Essere incluso per Entrambi IL offensiva E difensiva giocatori
Perché questi fisico attributi, I volevo assumere, Anche contribuire
A Come molti punti a giocatore Volere punto.
Finalmente, In termini Di IL offensiva giocatori,
BENE utilizzo carriera medie.
IL Stesso medie Quello erano usando per IL stagione,
BENE Anche utilizzo per IL carriera A aggiungere a poco Di più robustezza A IL modello,
E complessivamente squadra ritmo E offensiva rimbalzo percentuale
È Anche andando A Essere a predittore Perché Quello Volere determinare
Come molti beni Là Volere Essere.
Se Là Sono Di più beni 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 avanzato metrica come COME difensiva vincere azioni, Quale misure
UN individuale del giocatore contributo A IL della squadra vittorie SU difesa.
Quelli Sono Anche andando A Essere predittori A
probabilmente negare IL quantità Di punti Quello Sono segnato di UN offensiva giocatore.
E Poi Finalmente, IL difensore attributi Volere Essere usato COME I menzionato prima.
COSÌ Prima Noi Ottenere Giusto in IL dati E IL modellazione E JMP,
I volevo Piace A andare Sopra IL abbinamento dati Quello I era usando
per IL massa Di IL modello.
COSÌ IL NBA recentemente implementato Alcuni nuovo personale incontro su dati collezione
E suo basato SU dettagliato giocatore tracciamento.
COSÌ Esso tracce IL più vicino difensore A ogni punto,
non Appena IL primario difensore SU a giocare.
Esso soltanto tracce davanti Tribunale tempo E Esso Volere traccia parziale beni.
COSÌ Che cosa Questo significa È Quello a giocatore Potevo Essere custodito di
COME molti COME cinque diverso giocatori SU a separare giocare,
E ogni difensore volevo Essere assegnato IL rispettivo quantità
Di abbinamento 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, Steph Curry È guardia lui
In soltanto uno gioco per 2.7 minuti E consentito due punti.
COSÌ Se Noi pensare Di a ipotetico Dove IL Calabroni Sono giocando
Steph Curry's D'oro Stato Guerrieri E Curry custodito Rozier per 10 secondi,
E Poi Klay Thompson commutato SU A Rozier per un altro 10 secondi,
Entrambi volevo Essere assegnato quelli 10 secondi Di abbinamento tempo.
Tuttavia, Se Rozier segnato a due puntatore A IL FINE Di Questo possesso,
IL punti volevo Essere segnato per Klay Thompson.
Questo È Veramente Freddo tracciamento dati E I Amore Come specifico Esso È,
Ma Esso fatto causa Alcuni problemi Quando ho provato A modello IL punti per minuto
per ogni giocatore E difensore combinazione, Quale era Mio originale piano.
COSÌ I era originariamente andando A utilizzo IL offensiva giocatore statistiche
E difensiva giocatore statistiche Quello I menzionato In IL precedente diapositiva
In ogni individuale abbinamento.
Ma Da molti difensori, Piace tu lo farai Vedere Qui,
registrato molto piccolo quantità Di tempo,
Piace Stanley Johnson soltanto custodito Rozier per UN media Di Sotto uno minuto a gioco,
questo è non Abbastanza tempo
per Alcuni Di questi punti per minuto misurazioni A Essere normale.
COSÌ andando Indietro A Quello Klay Thompson ipotetico,
Se Klay soltanto custodito Rozier per 10 secondi IL Totale gioco
E Rozier avendo A punto due punti In Quello possesso,
Poi Rozier's punti per minuto contro Klay In Quello riga volevo Essere 12.
COSÌ ovviamente, estrapolando Quello A a pieno gioco,
Anche escludendo IL Indietro Tribunale tempo COME Questo dati fa, suo molto irrealistico.
COSÌ I avevo A andare con a leggermente diverso, meno ideale approccio.
Invece Di usando IL individuale difensiva statistiche,
I In realtà media loro fuori
per ogni combinazione Di giocatore E difensiva squadra.
COSÌ Invece Di usando Rozier contro Curry E Rozier contro Thompson,
I volevo utilizzo Rozier contro IL intero D'oro Stato Guerrieri media basato SU
IL quantità Di abbinamento minuti Quello ogni giocatore difeso Rozier.
COSÌ per esempio,
Se Steph Curry E Klay Thompson Entrambi custodito lui per metà IL quantità
Di possibile incontro su minuti, Poi IL squadra media,
andiamo Dire ruba per gioco, volevo Appena Essere IL aritmetica Significare
Di Curry ruba E Klay ruba per gioco.
IL Stesso volevo andare per ogni difensiva variabile
E questo è ovviamente a 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 abbinamento.
Ma I 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 a poco morso Di IL dimostrazione su come I 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 I Volere.
Ma per Ora erano andando A Aspetto specificamente A tre variabili,
IL Primo essendo punti per gioco.
COSÌ Noi Vedere Qui, Noi Avere a moderare relazione
con punti E punti per gioco, E Esso È positivo COME Noi volevo aspettarsi.
IL media punti Quello qualcuno mette su In a gioco,
O Sopra IL corso Di IL stagione Piuttosto, È andando A ovviamente influenza
Come molti punti Essi punto In a gioco.
Allo stesso modo, qualcosa Piace utilizzo valutare,
IL avanzato statistiche Quello I era discutendo prima,
Anche ha a 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 a positivo relazione,
Ma Quello È a poco morso più debole Perché suo media Sopra IL corso
Di a del giocatore 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 specie Di UN idea Di IL dati si,
Noi Potere mossa in IL semplice lineare regressione
con punti di punti per gioco COME a segno di riferimento per Questo modello.
COSÌ COME I menzionato,
Voi Potere predire basato SU Appena punti per gioco
E Esso Volere Dare Voi a decente previsione.
Ma erano guardare A migliorare Quello previsione di aggiungendo
Alcuni Di questi diverso variabili, offensiva E difensiva.
COSÌ Se Noi correre Questo sceneggiatura Qui,
Questo È Appena confrontando Alcuni corre Di a semplice lineare regressione
SU IL formazione E convalida impostato usando KFold convalida per tutto.
E Se I correre Qui usando IL Nascosto Validazione 2 colonna
Quello Malato Essere usando per IL resto Di questi modelli,
Poi Noi Potere Vedere IL regressione Qui.
COSÌ ecco a regressione complotto. Esso sembra bello sparpagliato.
C'è non a chiaro lineare relazione, Ma IL RS Perché È moderare,
Senso Quello 46,5 percento Di IL variazione In punti È contabilizzato per
di Questo media punti per gioco, Quale È bello Bene.
E IL Errore quadratico medio È Di 5. 27.
IL Errore quadratico medio è il standard deviazione Di IL residuo,
COSÌ suo essenzialmente IL variazione In Come BENE Nostro modello È predire.
Suo standard deviazione È in giro cinque.
E Noi Potere Anche Aspetto A Alcuni altro misure,
come COME IL AIC, Quale È usato A confrontare modelli per prevedibilità.
COSÌ AIC È un altro importante misura,
E Esso misure Come BENE IL modello Volere predire
relativo A IL numero Di predittori Mettere In IL modello,
Appena A Fare Sicuro tu 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 I Volere spettacolo Dopo.
COSÌ Mentre I era provando A scegliere IL modello Quello I era andando A scegliere,
I deciso A utilizzo IL modello screening caratteristica In JMP,
Quale consente Voi A selezionare tuo risposta variabili E Tutto IL fattore variabili.
I finito su mettendo In Tutto Di IL numerico variabili Quello I avevo per a pieno modello
Appena A Vedere inizialmente Quale modelli eseguire IL migliore.
E I era capace A scegliere da a varietà Di questi diverso metodi,
compreso XGB est E R generalizzato egressione,
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 usando Alcuni Di questi macchina apprendimento algoritmi.
COSÌ Io sono Invece Appena andando A tiro su un rapido schermata Di IL modello screening.
COSÌ Qui Noi Avere IL produzione da Questo modello screening.
Esso spettacoli IL RS Perché.
Ancora, I era usando KFold convalida con dieci pieghe Qui.
COSÌ Questo spettacoli IL RS Perché
E IL Radice M eano Piazza Errore per ogni correre.
COSÌ Noi Potere Vedere Quello IL Meno Piazza Adatto In realtà avevo
a molto forte adatto confrontato A Alcuni Di IL macchina apprendimento algoritmi,
Quale I era sorpreso di. Ma Esso In realtà aiuta per interpretabilità
Perché Alcuni Di questi macchina apprendimento algoritmi,
loro sono Di più Di a nero scatola. E Se I 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 previsione.
COSÌ Perché IL attacco di Minimo quadrato E IL Regressione Lazo,
Quale Malato Ottenere in a poco morso Dopo, erano COSÌ alto,
suo In realtà a 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 a 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 usando 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 informazioni,
I era capace A Prendere IL variabili selezionato con Lazo Regolarizzazione
E Poi creare a multiplo lineare regressione usando quelli variabili.
COSÌ COME Voi Potere Vedere Qui,
IL Attuale di Previsto Complotto sembra bello simile.
Esso Potrebbe Essere leggermente più vicino A IL linea Di migliore adatto Qui, Quale È a Bene cartello.
E Noi Potere Vedere Nostro effetto riassunti,
Ma erano andando A scorrere a poco morso passato Quello
COSÌ Quello Noi Ottenere A IL riepilogo Di Nostro adatto.
COSÌ confrontato A IL semplice lineare regressione,
IL RS Perché E IL Regolato RS Perché Sono molto simile E questo è probabilmente
Perché punti per gioco È come a 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 eano Piazza Errore a poco morso.
Esso andato da Di 5.3 A poco Sopra 5.2, Quale È non a drastic 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 significativamente
da IL semplice lineare regressione A Questo multiplo lineare regressione
con Lasso R regolarizzazione, Quale È decisamente a Bene cartello.
Noi Vedere Alcuni Di questi Parametro Stime giù Qui E Di corso IL risultati
per RS Perché 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 0,05 a alfa livello E molti sotto Quello.
E Questo È A Essere previsto, COME noi abbiamo spiegato Già.
fatturato percentuale È Anche significativo
E Questo ha a negativo relazione con punti.
COME uno volevo aspettarsi, Se tu sei svolta IL palla Sopra Di più,
questo 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 a leggermente positivo relazione con punti condizionale
SU IL altro fattori In IL modello.
Ancora, questo è A Essere previsto Perché IL Più veloce a squadra opere teatrali,
questo è generalmente Di più possibilità.
Tuttavia, Esso Potrebbe non Avere come a forte effetto COME fatturati O punti per gioco.
E Poi Finalmente, difensiva rimbalzo percentuale.
Questo È Appena Come Spesso IL difensiva squadra bottini IL difensiva rimbalzo.
Ancora, Questo È prevenire secondo opportunità punti per IL offesa,
COSÌ Esso Dovrebbe Avere a 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 previsioni.
Ora, sapendo 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 a poco meno affidabile
con a più piccolo campione misurare.
Id Aspetto A creare UN alternare modello senza Quello
A Vedere Se I Potevo Ancora predire
Meglio di IL semplice lineare regressione E simile A IL Lazo regressione,
Ma senza dipendenza SU a punti per gioco per IL stagione misura.
COSÌ Questo alternare modello, I creato usando all'indietro selezione di AIC.
E Ancora I 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 tentato da tre E da due,
Quale lungo con Alcuni Di questi altro variabili Potere Essere a procuratore 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 a poco morso Di più rappresentante
Di Come a giocatore È andando A eseguire In IL lungo correre.
Io sono pensiero Quello Forse
giocatori Potrebbe Essere a poco Di più coerente con loro tentato 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 a piccolo campione misurare.
Questi Potevo COME BENE Ma...
Appena usando Questo modello COME UN alternativa,
E Esso giri fuori Quello Esso In realtà predice
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 a simile previsione.
COSÌ Noi Potere Vedere Quello IL RS Perché È bello simile,
Maggio Avere aumentato a poco morso,
E IL Radice Significare Piazza Errore È Ancora simile.
IL AIC suggerisce Quello IL altro modello È a Meglio modello per predire
basato SU IL quantità Di variabili incluso, COSÌ Quello È decisamente qualcosa A nota.
Ma ogni modello ha suo vantaggi.
Questo uno, particolarmente,
Noi Potere Vedere Alcuni Di IL condizionale relazioni Di IL altro variabili,
particolarmente quelli SU IL difensiva lato, Quello Noi non 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 tentato
Sono pesatura insignificantemente per punti, Quale Ancora,
Quello fa senso Perché IL Di più colpi tu 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 sono un poco confuso A Primo vista.
COSÌ offensiva vincere azioni,
Quello essendo a significativo variabile fa senso questo è misurazione
Come tanto a giocatore È contribuendo A vittorie SU IL offensiva lato,
Esso fa senso Quello Quello ha a positivo relazione
COME Noi Potere Vedere giù Qui.
COSÌ offensiva vincere azioni Giusto Qui ha a 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 a negativo effetto che pensavo era interessante.
COSÌ a giocatore O squadra con a più alto ripugnante totale
È andando A negativamente simulare IL punti segnato per IL offensiva giocatore.
Questo Potrebbe Significare loro sono Di più aggressivo.
I volevo assumere Quello Essi Sono giocando più intenso difesa In limitante punti
Attraverso ruba, blocchi, O pesantemente contestato colpi,
E COME a 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 a certo bilancia A sciopero In IL difensore finale.
Voi non Volere A Essere pure aggressivo
Perché Poi Voi Potevo Essere dare su Più facile punti
O Voi Potevo Essere primo tuo giocatori in ripugnante guaio.
COSÌ questo è UN interessante variabile, I pensare, A considerare.
E Di corso, Questo È a condizionale significato,
COSÌ Esso Potrebbe modifica leggermente basato SU IL rimozione
O aggiunta Di certo altro variabili.
E Finalmente, a coppia Di difensiva relazioni
Sono particolarmente confuso A Primo occhiata, I pensare.
Specificamente coinvolgente blocchi E difensore altezza.
COSÌ Noi pensare Di pallacanestro come essere molto dipendente SU altezza.
Se Voi Sono più alto, tu sei Di più probabile A andare A IL NBA.
Sette piè di pagina, I pensare Voi Avere a 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 colpi Di più E tu sei più alto,
tu sei andando A Essere che colpisce IL 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, I era confuso di Questo, Ma I pensare Questo ha Di più A dire di
IL giocatori Quello questi giocatori Sono guardia Piuttosto di
IL attuale variabili loro stessi.
COSÌ Che cosa I 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 a poco morso Di più.
Guardie tendere A Mettere su Di più punti In IL NBA con IL enfasi
SU tre- punto tiro Ora.
E a quantità Di reati Sono correre Attraverso Alcuni Di questi più piccolo giocatori
Chi tendere A Essere custodito di altro più piccolo giocatori.
Mentre questi più alto giocatori, con Di più blocchi,
Sono guardia grande uomini Chi Forse non sono IL focal punto Di IL offesa,
da parte da certo giocatori Piace Jokic E Embiid E Giannis.
Ma Questo cause a positivo relazione,
Ma suo Veramente Di più a funzione Di IL posizione
Quello questi giocatori Sono giocando.
COSÌ I Pensiero Quello era UN interessante
condizionale relazione A evidenziare entro IL modello,
E Esso coinvolge a poco morso Di più più profondo pensiero Di IL relazione fra
bloccando, altezza, E IL punti Quello UN offensiva giocatore mette su.
COSÌ In termini Di IL modello complessivamente,
Noi Potere Vedere Quello Questo uno e il Lasso regolarizzato modello
Sono molto simile In loro previsioni.
BENE Vedere Quello In Di più dettaglio Presto Quando I capovolgere A IL 2021 previsioni,
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 a leggermente inferiore AIC
E Potrebbe Essere Meglio per previsioni Se IL dati È disponibile.
COSÌ Entrambi Partire a poco morso A Essere desiderato
In termini Di predire tanto Di più in modo affidabile di IL semplice lineare regressione.
I volevo Avere piaciuto A Vedere Questo Radice Significa Perché Errore diminuire Di più,
E suo qualcosa I volevo Aspetto in COME I continuare Questo progetto,
guardare A raccogliere Meglio dati, provando A Fare IL abbinamenti
Di più individualizzato senza sacrificando IL normalità Di IL risposta variabile,
cose Piace Quello.
Ma con Quello essendo disse, questi Sono IL modelli Quello I Avere Ora,
E Noi Potere Aspetto A test questi SU IL 2021 stagione così lontano.
COSÌ Se I interruttore Sopra Qui al abbinamenti per 2021,
Noi Avere IL Stesso dati tavolo Appena con Questo anni abbinamenti.
E COSÌ Io sono Appena SU Josh Hart's abbinamenti Giusto Ora
Perché I andare A Villanova E lui è a Villanova grande,
COSÌ Qui Noi Avere lui COME a 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 previsioni A IL FINE.
COSÌ questi previsione variabili, O Piuttosto questi colonne,
Sono IL modello previsioni.
COSÌ Nostro Primo uno, Nostro Primo modello, È IL Ottimale L multipla orecchio Regressione
questo è usando IL Lazo regressione E compreso IL punti per gioco variabile.
COME Voi Potere Vedere In Questo gioco,
Lui È previsto A Mettere su 12.8 punti E IL residuo Qui È Di cinque.
COSÌ In realtà Questo residuo è il punti meno IL previsione.
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 previsto 13.
COSÌ questo è ovviamente non a Grande misura.
E Poi Noi Potere Aspetto in alcuni di IL alternativa modello.
IL alternativa modello previsione È molto simile,
E Noi Volere Vedere Questo In maggiore dettaglio COME I capovolgere Indietro A IL Presa della corrente E spettacolo Voi
Tipo Di a condensato versione Di Questo dati tavolo,
Perché Giusto Ora I Sapere Quello Questo in JMP È a poco morso travolgente
Perché c'è COSÌ molti variabili, COSÌ molti casuale numeri
essendo lanciato A Voi.
COSÌ Io sono andando A interruttore Indietro
in IL Presa della corrente A spettacolo Voi Alcuni Di IL previsioni
per Entrambi Josh Cuore Qui E per Kevin Durante.
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 previsioni A giochi Quello Kevin Durante ha giocato Questo stagione.
COSÌ Qui Sono quattro giochi giocato in Atlanta, Carlotta, Chicago, E Cleveland.
In IL Primo uno, Lui segnato 31 punti.
In attualità, Entrambi Nostro modelli previsto vicino A 26 punti,
COSÌ IL residuo È Appena in giro cinque.
Tuttavia, Noi Vedere Quello quando Kevin Durante È vicino A il suo media punti
in giro 28 O 29 punti per gioco,
Quando Lui In realtà punteggi Quello, IL previsioni Sono molto vicino
Perché punti per gioco pesa COSÌ pesantemente In questi modelli.
COSÌ, per esempio, In Questo Cleveland gioco,
Nostro Primo modello previsto 26.2 punti, Lui In realtà segnato 27.
Perciò, IL residuo È meno di uno.
E allo stesso modo Qui, IL residui meno di uno
per IL alternativa modello COME BENE.
COSÌ Noi Vedere Quello IL modello eccelle Quando giocatori eseguire 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 a particolarmente Bene gioco.
Lui segnato 38 punti.
Suo a Grande gioco, Ma particolarmente Bene gioco di Kevin Durante standard.
E COSÌ IL modello previsioni Sono tanto più lontano spento.
E Noi Vedere IL Stesso cosa con Josh Cuore.
Il suo punti media a poco morso inferiore Perché lui, di nuovo, porta a accendino carico.
Kevin Durante È a stella giocatore SU IL Reti,
COSÌ lui è ottenere a quantità Di tocchi E prendendo a Bene porzione Di quelli colpi.
COSÌ Qui Noi Avere Hart's 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 previsto in giro 13.5 E IL residui sono circa 0,5 .
COSÌ Noi Avere Veramente Bene previsioni 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 previsioni tendere A soffrire a poco morso.
COSÌ con Tutto Questo essendo disse, I Sapere I corso Attraverso questi modelli.
Andiamo Prendere a fare un passo Indietro E Aspetto A IL limitazioni In dettaglio
E Alcuni ulteriore studio Quello I Potevo abbraccio.
COSÌ Primo Di Tutto, questi Sono usando medie di IL offensiva giocatore E difensiva squadra
COME contrario A offensiva giocatore E individuale giocatore.
COME Io ho menzionato, Quello volevo Essere IL ideale scenario,
Ma COME I era facendo Esso, Esso non l'ha fatto lavoro fuori Piace Quello.
COSÌ Quello Potevo Essere causando Alcuni problemi Perché suo duplicazione Alcuni risultati.
Invece Di essendo ordinare Di a uno A uno,
Se a giocatore È essendo custodito di Questo giocatore,
Questo È Come molti punti Essi Volere punto.
Se a giocatore È essendo custodito di a combinazione Di giocatori SU Questo squadra,
Questo È Come molti punti Essi Volere punto.
COSÌ suo Più facile A predire Ma Forse a poco meno accurato.
Inoltre, IL medie Sono per IL intero stagione,
Quale significa previsioni verso IL inizio Maggio Essere meno accurato,
COME I menzionato, Quale È qualcosa Quello I pensare IL carriera valori
Tentativo A rimedio a poco morso.
Esso Potevo Essere Di valore aggiungendo cose Piace punti per gioco
In IL stagione variabili con a ritardo Di Forse cinque stagioni.
COSÌ prendendo IL media punti per gioco per IL scorso stagione, due stagioni fa,
tre stagioni fa, E COSÌ SU A Tentativo A aggiungere Alcuni Di più variabili
E Forse predire a tempo O a tendenza In giocatore prestazione.
Inoltre, giocatore prestazione È dipendente SU innumerevoli altro fattori
come COME Freddo O caldo strisce,
Come BENE loro hanno stato eseguendo COME Di tardi,
ferite SU loro Proprio squadra, Lesioni SU IL opposizione squadra
Quello Potevo aumento O diminuire loro ruolo,
minore ferite Quello Essi Sono condotta con loro stessi
Quello Potevo diminuire O aumento loro ruolo.
E Poi cose Piace riposo giorni,
viaggio tempo, E a quantità Di altro beni immateriali
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 beni immateriali Sono
non andando A Essere qualcosa Quello I Potere fattore in IL modello
Ma suo importante A riconoscere Quello Essi Potevo Ancora simulare
IL punti In a dato gioco.
In termini Di ulteriore studio,
I volevo Amore A Tipo Di rettificare Tutto questi limitazioni
E Aspetto A predire a Di più olistico variabile
come COME offensiva valutazione.
COSÌ offensiva valutazione È andando A predire a del giocatore punti per 100 beni
contribuito A IL gioco Invece Di Appena uno aspetto Di IL gioco In punti.
I volevo Amore A predire qualcosa Piace Questo O capovolgere Esso A IL difensiva lato
E predire a difensiva valutazione basato SU Chi loro sono probabile
A andare su contro SU offesa.
COSÌ qualcosa Piace Quello I 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 a rigoroso misurazione Piace punti O qualcosa Piace Quello.
COSÌ con Tutto Questo essendo disse,
Io sono decisamente andando A continuare lavorando SU Questo progetto.
Esso era a quantità Di divertimento E I Amore guardare A questi modelli
E interpretariato da a 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,
I volevo Anche Essere Contento A Prendere quelli SU. Grazie Voi COSÌ tanto tuo tempo.
