Hola, todos. Mi nombre es Kevin O'Donnell.
Soy a JMP Global Pasante de referencia de clientes,
y hoy Enfermo ser presentación en a personal analítica proyecto
eso Yo tengo hecho eso es el NBA Jugador Modelo de emparejamiento.
Entonces justo a conseguir comenzó,
I quería como a ir encima mi idea y el motivaciones para edificio el modelo.
Yo tengo siempre estado increíblemente interesado en baloncesto.
Yo tengo estado a enorme baloncesto admirador para mi entero vida,
y I era mirando para a nuevo analítica proyecto a bucear en,
entonces I terminó arriba preguntando este pregunta aquí:
Podría nosotros modelo a del jugador ofensivo éxito
basado en su promedios y el fortaleza de su oponentes como ¿Bueno?
Entonces como mayoría de a nosotros saber de mirando cualquier deporte,
jugador actuación varía muy de juego a juego.
Es basado en a variedad de factores
y uno de estos ser a del jugador promedio agujas.
Eso voluntad ser a muy fuerte vaticinador para agujas en un NBA juego,
pero es lejos de el solo influencia en a del jugador ofensivo actuación.
Entonces yendo en este proyecto,
I buscado a construir a modelo eso previsto el jugadores agujas en el juego
basado en el agujas por juego,
pero también a lote de otro variables cual nosotros voluntad mirar en en el próximo deslizar.
Entonces idealmente, este voluntad ser útil para entrenadores y equipo analistas a,
para ejemplo, determinar cual de su ofensivo jugadores son probable
a encima llevar a cabo o capaz a llevar a cabo en realidad Bueno
basado en su fósforo Unión Postal Universal y vicio viceversa, cual de su jugadores ellos podría desear
a evitar en ofensa porque ellos son ser guardado
por alguno de el mejor defensivo jugadores en el otro equipo.
Esto podría informar jugar vocación y juego planificación,
entonces si a particular defensor es más débil, entrenadores puede mirar a objetivo eso fósforo arriba
o mirar a fuerza a cambiar sobre su mejor goleador.
En el entretenimiento reino,
fantasía baloncesto jugadores podría usar este datos a cifra afuera
OMS a comenzar o OMS a elegir arriba apagado el Exención Cable,
entonces él tiene a amplio rango de aplicaciones.
Entonces Aquí está a pequeño poco de el descripción general de el datos.
Enfermo ir a través de este rápidamente, y nosotros lo haremos ver este como I ir
en el JMP manifestación a pequeño poco más en detalle,
pero eran yendo a predecir agujas por juego basado en Siete principal categorías de datos.
Entonces eran yendo a usar jugador ofensivo promedios para el estación,
este incluye cosas como agujas por juego,
3.2 punto porcentajes, y avanzado métrica semejante como uso tasa,
cual archivos cómo a menudo un ofensivo jugador es usado en su equipo.
Jugador atributos semejante como altura, ala durar, vertical salto
voluntad también ser incluido para ambos el ofensivo y defensivo jugadores
porque estos físico atributos, I quería asumir, también contribuir
a cómo muchos agujas a jugador voluntad puntaje.
Finalmente, en términos de el ofensivo jugadores,
Bueno usar carrera promedios.
El mismo promedios eso eran usando para el estación,
Bueno también usar para el carrera a agregar a pequeño más robustez a el modelo,
y en general equipo paso y ofensivo rebote porcentaje
es también yendo a ser a vaticinador porque eso voluntad determinar
cómo muchos posesiones allá voluntad ser.
Si allá son más posesiones en el juego, es más probable eso cualquier dado jugador
voluntad tener más agujas.
Etcétera eso mismo simbólico, defensivo equipo paso
y defensivo rebote porcentaje voluntad también ser usado.
En términos de individual defensivo estadísticas, cosas como roba, bloqueos, faltas,
y otro avanzado métrica semejante como defensivo ganar acciones, cual medidas
un individual del jugador contribución a el del equipo victorias en defensa.
Aquellos son también yendo a ser predictores a
probablemente negar el cantidad de agujas eso son anotó por un ofensivo jugador.
Y entonces finalmente, el defensor atributos voluntad ser usado como I mencionado más temprano.
Entonces antes nosotros conseguir bien en el datos y el modelado y JMP,
I quería como a ir encima el enfrentamiento datos eso I era usando
para el a granel de el modelo.
Entonces el NBA recientemente implementado alguno nuevo personal fósforo arriba datos recopilación
y es basado en detallado jugador seguimiento.
Entonces él pistas el más cercano defensor en cada punto,
no justo el primario defensor en a jugar.
Él solo pistas frente corte tiempo y él voluntad pista parcial posesiones.
Entonces qué este medio es eso a jugador podría ser guardado por
como muchos como cinco diferente jugadores en a soltero jugar,
y cada defensor quería ser premiado el respectivo cantidad
de enfrentamiento minutos para eso posesión.
Entonces aquí nosotros tener un ejemplo de Terry Rozier para el Avispones
ser guardado por cuatro diferente jugadores en diferente equipos.
En el primero fila, Estefanía Curry es vigilando a él
en solo uno juego para 2.7 minutos y permitido dos agujas.
Entonces si nosotros pensar de a hipotético dónde el Avispones son jugando
Estefanía Curry's Dorado Estado guerreros y Curry guardado Rozier para 10 artículos de segunda clase,
y entonces Klay Thompson cambiado en a Rozier para otro 10 artículos de segunda clase,
ambos quería ser premiado aquellos 10 artículos de segunda clase de enfrentamiento tiempo.
Sin embargo, si Rozier anotó a dos puntero en el fin de este posesión,
el agujas quería ser marcado para Klay Thompson.
Este es en realidad Frío seguimiento datos y I amar cómo específico él es,
pero él hizo causa alguno problemas cuando Lo intenté a modelo el agujas por minuto
para cada jugador y defensor combinación, cual era mi original plan.
Entonces I era originalmente yendo a usar el ofensivo jugador estadísticas
y defensivo jugador estadísticas eso I mencionado en el anterior deslizar
en cada individual enfrentamiento.
Pero desde muchos defensores, como tú lo harás ver aquí,
registrado muy pequeño cantidades de tiempo,
como Stanley Johnson solo guardado Rozier para un promedio de bajo uno minuto a juego,
eso es no suficiente tiempo
para alguno de estos agujas por minuto mediciones a ser normal.
Entonces yendo atrás a eso Klay Thompson hipotético,
si Klay solo guardado Rozier para 10 artículos de segunda clase el entero juego
y Rozier teniendo a puntaje dos agujas en eso posesión,
entonces De Rozier agujas por minuto contra Klay en eso fila quería ser 12.
Entonces obviamente, extrapolando eso a a lleno juego,
incluso a excepción de el atrás corte tiempo como este datos hace, es muy poco realista.
Entonces I tenía a ir con a levemente diferente, menos ideal acercarse.
En cambio de usando el individual defensivo estadísticas,
I de hecho promediado a ellos afuera
para cada combinación de jugador y defensivo equipo.
Entonces en cambio de usando Rozier versus Curry y Rozier versus Thompson,
I quería usar Rozier versus el completo Dorado Estado guerreros promedio basado en
el cantidad de enfrentamiento minutos eso cada jugador defendido Más rociero.
Entonces para ejemplo,
si Estefanía Curry y Klay Thompson ambos guardado a él para medio el cantidad
de posible fósforo arriba minutos, entonces el equipo promedio,
Vamos decir roba por juego, quería justo ser el aritmética significar
de Curry roba y Klay roba por juego.
El mismo quería ir para cada defensivo variable
y eso es obviamente a simple ejemplo,
pero el mismo va para cada jugador versus cada equipo.
Entonces obviamente este es no ideal porque él minimiza
el individualidad de el enfrentamiento.
Pero I tenía a abandonar eso agujas por minuto acercarse
porque el muestras eran también pequeño y el respuesta era fuertemente distorsionado.
Entonces este modelo eso Yo tengo creado con el agregado datos es más preciso
que mi inicial intentos, incluso aunque él sacrificios alguno individualidad.
Entonces en este punto, Soy yendo a cambiar en JMP aquí
y hacer a pequeño poco de el manifestación sobre cómo I construido el modelo
y alguno exploratorio datos análisis a comenzar.
Entonces a comenzar, eran justo yendo a mirar en alguno marginal relaciones
con agujas en el gráfico constructor,
y Soy capaz a elegir cualquier I desear.
Pero para ahora eran yendo a mirar específicamente en tres variables,
el primero ser agujas por juego.
Entonces nosotros ver aquí, nosotros tener a moderado relación
con agujas y agujas por juego, y él es positivo como nosotros quería esperar.
El promedio agujas eso alguien pone arriba en a juego,
o encima el curso de el estación bastante, es yendo a obviamente influencia
cómo muchos agujas ellos puntaje en a juego.
Similarmente, algo como uso tasa,
el avanzado estadística eso I era que se discute más temprano,
también tiene a positivo relación,
justo levemente más débil que el relación entre agujas y agujas por juego.
Finalmente, si nosotros mirar en alguno de el carrera estadísticas,
si nosotros mirar en carrera agujas por juego, entonces de nuevo nosotros ver a positivo relación,
pero eso es a pequeño poco más débil porque es promediado encima el curso
de a del jugador carrera bastante que el estación eso eran actualmente en.
Pero con un poco de suerte este podría ayuda ajustar para alguno importante diferencias
en el agujas por juego totales o promedios bastante.
Entonces ahora eso nosotros tener una especie de un idea de el datos sí mismo,
nosotros poder mover en el simple lineal regresión
con agujas por agujas por juego como a punto de referencia para este modelo.
Entonces como I mencionado,
tú poder predecir basado en justo agujas por juego
y él voluntad dar tú a decente predicción.
Pero eran mirando a mejorar eso predicción por añadiendo
alguno de estos diferente variables, ofensivo y defensivo.
Entonces si nosotros correr este guion aquí,
este es justo comparando alguno corre de a simple lineal regresión
en el capacitación y validación colocar usando KFold validación a lo largo de.
Y si I correr aquí usando el Oculto Validación 2 columna
eso Enfermo ser usando para el resto de estos modelos,
entonces nosotros poder ver el regresión aquí.
Entonces Aquí está a regresión trama. Él aspecto bonito disperso.
Hay no a claro lineal relación, pero el RS por qué es moderado,
significado eso 46,5 por ciento de el variación en agujas es contabilizado para
por este promedio agujas por juego, cual es bonito bien.
Y el Error cuadrático medio es acerca de 5. 27.
El Error cuadrático medio es el estándar desviación de el residual,
entonces es esencialmente el variación en cómo Bueno nuestro modelo es prediciendo.
Es estándar desviación es alrededor cinco.
Y nosotros poder también mirar en alguno otro medidas,
semejante como el AIC, cual es usado a comparar modelos para previsibilidad.
Entonces AIC es otro importante medida,
y él medidas cómo Bueno el modelo voluntad predecir
relativo a el número de predictores poner en el modelo,
justo a hacer seguro estás no añadiendo forma también muchos.
Entonces en este caso, el AIC es muy alto, y nosotros poder venir atrás a este número
como nosotros mirar en el comparación entre este y el múltiple lineal regresión
eso I voluntad espectáculo más tarde.
Entonces mientras I era intentando a elegir el modelo eso I era yendo a elegir,
I decidido a usar el modelo cribado característica en JMP,
cual permite tú a seleccionar su respuesta variables y todo el factor variables.
I terminó arriba puesta en todo de el numérico variables eso I tenía para a lleno modelo
justo a ver inicialmente cual modelos llevar a cabo el mejor.
Y I era capaz a elegir de a variedad de estos diferente métodos,
incluido XGB este y R generalizada egresión,
y entonces de curso, justo el normal Alquiler Cuadrado.
En el interés de tiempo, este quería llevar para siempre a correr
porque es usando alguno de estos máquina aprendiendo algoritmos.
Entonces Soy en cambio justo yendo a jalar arriba Un rápido captura de pantalla de el modelo cribado.
Entonces aquí nosotros tener el producción de este modelo cribado.
Él espectáculos el RS por qué.
De nuevo, I era usando KFold validación con diez pliegues aquí.
Entonces este espectáculos el RS por qué
y el Raíz M ean Cuadrado Error para cada correr.
Entonces nosotros poder ver eso el El menos Cuadrado Adaptar de hecho tenía
a muy fuerte adaptar comparado a alguno de el máquina aprendiendo algoritmos,
cual I era sorprendido por. Pero él de hecho ayuda para interpretabilidad
porque alguno de estos máquina aprendiendo algoritmos,
ellos son más de a negro caja. Y si I eran a usar aquellos,
él no lo haría ser como fácil a interpretar el coeficientes o ver
cual variables son realmente significativo
o cual son justo ser usado para predicción.
Entonces porque el Ataque de Mínimos cuadrados y el Regresión de lazo,
cual Enfermo conseguir en a pequeño poco más tarde, eran entonces alto,
es de hecho a bien firmar eso Soy capaz a usar eso para mejor interpretabilidad.
Entonces como nosotros poder ver, el mayoría preciso modelo es este múltiple lineal regresión
con Lazo Regularización.
Lazo Regularización es a estadístico técnica eso regulariza el modelo
y selecciona características a minimizar multicolinealidad.
Multicolinealidad es el correlación entre predictores
y eso poder negativamente afectar el modelo.
Entonces usando este técnica,
eran capaz a llevar el lleno lineal regresión modelo mostrado aquí
y eliminar alguno de el variables a minimizar el multicolinealidad
y tal vez satisfacer alguno de el lineal suposiciones mejor.
Entonces con eso información,
I era capaz a llevar el variables seleccionado con Lazo Regularización
y entonces crear a múltiple lineal regresión usando aquellos variables.
Entonces como tú poder ver aquí,
el Actual por Previsto Trama aspecto bonito similar.
Él podría ser levemente íntimamente a el línea de mejor adaptar aquí, cual es a bien firmar.
Y nosotros poder ver nuestro efecto resúmenes,
pero eran yendo a voluta a pequeño poco pasado eso
entonces eso nosotros conseguir a el resumen de nuestro adaptar.
Entonces comparado a el simple lineal regresión,
el RS por qué y el Equilibrado RS por qué son muy similar y eso es probablemente
porque agujas por juego es semejante a fuertemente influyente factor en este,
como Bueno como el simple lineal regresión, obviamente.
Entonces el adaptar es no también mucho diferente.
Sin embargo, añadiendo estos diferente variables mostrado aquí hace mejorar
el Raíz M ean Cuadrado Error a pequeño poco.
Él fue de acerca de 5.3 a pequeño encima 5.2, cual es no a drástico mejora,
pero un mejora sin embargo.
Pero el real diferencia aquí es en el AIC y comparando estos modelos en términos
de su previsibilidad, el AIC abandonó de modo significativo
de el simple lineal regresión a este múltiple lineal regresión
con Lazo R regularización, cual es definitivamente a bien firmar.
Nosotros ver alguno de estos Parámetro Estimaciones abajo aquí y de curso el resultados
para RS por qué y Raíz Significar Cuadrado Error en cruz validación.
Entonces mirando en alguno de estos Parámetro E estimaciones,
el agujas por juego, de nuevo muy significativo,
es significativo en el .05 a alfa nivel y muchos abajo eso.
Y este es a ser esperado, como nosotros tenemos explicado ya.
Volumen de negocios porcentaje es también significativo
y este tiene a negativo relación con agujas.
Como uno quería esperar, si estás torneado el pelota encima más,
eso es menos oportunidades a disparar el pelota,
menos oportunidades a puntaje.
Entonces eso cheques afuera con justo nuestro conocimiento de baloncesto.
Aquí nosotros tener el defensivo paso, o el paso de el defensivo equipo,
y este tiene a levemente positivo relación con agujas condicional
en el otro factores en el modelo.
De nuevo, eso es a ser esperado porque el más rápido a equipo obras de teatro,
eso es generalmente más posibilidades.
Sin embargo, él podría no tener semejante a fuerte efecto como pérdidas de balón o agujas por juego.
Y entonces finalmente, defensivo rebote porcentaje.
Este es justo cómo a menudo el defensivo equipo lances el defensivo rebote.
De nuevo, este es Previniendo segundo oportunidad agujas para el ofensa,
entonces él debería tener a negativo relación barco, cual él hace.
Entonces todo estos cosas controlar afuera,
y entonces alguno de estos otro variables son insignificante condicionalmente,
pero incluido porque ellos mejorar el previsibilidad de el modelo.
Entonces algo como uso tasa podría no ser significativo en el .05 nivel,
pero él sin embargo mejora nuestro predicciones.
Ahora, conocimiento eso agujas por juego podría no ser disponible
en el comienzo de el estación, a el medida eso él es
cerca el fin de el estación,
significado eso agujas por juego podría ser a pequeño menos confiable
con a menor muestra tamaño.
Identificación mirar a crear un alternar modelo sin eso
a ver si I podría aún predecir
mejor que el simple lineal regresión y similar a el Lazo regresión,
pero sin dependencia en a agujas por juego para el estación medida.
Entonces este alternar modelo, I creado usando hacia atrás selección por AIC.
Y de nuevo I izquierda afuera el estación agujas por juego,
entonces él aún incluye el otro agujas por juego mediciones,
o otro por juego mediciones bastante,
como goles de campo atentado de tres y de dos,
cual a lo largo de con alguno de estos otro variables poder ser a apoderado para
eso promedio agujas por juego.
Entonces él' s no completamente robusto contra temprano estación fluctuaciones
y pequeño muestra tamaños.
Pero es posible eso estos variables podría ser a pequeño poco más representante
de cómo a jugador es yendo a llevar a cabo en el largo correr.
Soy pensamiento eso tal vez
jugadores podría ser a pequeño más coherente con su atentado estadísticas,
o el tasa en cual ellos son tiroteo el pelota,
bastante que justo el cantidad de agujas ellos conseguir eso podría variar basado en
justo a pequeño muestra tamaño.
Estos podría como Bueno pero...
Justo usando este modelo como un alternativa,
y él vueltas afuera eso él de hecho predice
bonito similarmente a el modelo con agujas por juego en él.
Entonces él podría no ser favorecido necesariamente si agujas por juego es disponible.
Inadecuado pero él proporciona a similar predicción.
Entonces nosotros poder ver eso el RS por qué es bonito similar,
puede tener aumentó a pequeño poco,
y el Raíz Significar Cuadrado Error es de nuevo similar.
El AIC sugiere eso el otro modelo es a mejor modelo para predecir
basado en el cantidad de variables incluido, entonces eso es definitivamente algo a nota.
Pero cada modelo tiene es ventajas.
Este uno, particularmente,
nosotros poder ver alguno de el condicional relaciones de el otro variables,
particularmente aquellos en el defensivo lado, eso nosotros no pude ver como mucho
en el otro uno porque agujas por juego era dominante entonces mucho.
Entonces nosotros ver aquí eso dos punteros y tres punteros atentado
son peso insignificantemente para agujas, cual de nuevo,
eso marcas sentido porque el más disparos estás tomando,
el más probable tú son a puntaje más agujas.
Y entonces allá son alguno otro variables eso hacer sentido,
y alguno otros eso tal vez área pequeño confuso en primero vista.
Entonces ofensivo ganar acciones,
eso ser a significativo variable marcas sentido eso es medición
cómo mucho a jugador es contribuyendo a victorias en el ofensivo lado,
él marcas sentido eso eso tiene a positivo relación
como nosotros poder ver abajo aquí.
Entonces ofensivo ganar acciones bien aquí tiene a positivo relación.
Y también el defensivo rebote porcentaje abajo aquí
disminuye el estimación de nuevo, entonces eso es bonito coherente
con qué nosotros tenemos visto en el anterior modelo.
Promedio faltas por juego, promedio personal faltas por juego abajo aquí,
tiene a negativo efecto Lo cual pensé era interesante.
Entonces a jugador o equipo con a más alto falta total
es yendo a negativamente afectar el agujas anotó para el ofensivo jugador.
Este podría significar ellos son más agresivo.
I quería asumir eso ellos son jugando más intenso defensa en limitante agujas
a través de roba, bloques, o fuertemente impugnado disparos,
y como a resultado, ellos son conseguir más faltas llamado en a ellos.
Sin embargo, este es no todo bien para el defensa
porque desde el jugador poder falta afuera con seis faltas,
allá es a cierto balance a huelga en el ala defensiva.
Tú no desear a ser también agresivo
porque entonces tú podría ser donación arriba más fácil agujas
o tú podría ser principal su jugadores en falta problema.
Entonces eso es un interesante variable, I pensar, a considerar.
Y de curso, este es a condicional significado,
entonces él podría cambiar levemente basado en el eliminación
o suma de cierto otro variables.
Y finalmente, a pareja de defensivo relaciones
son particularmente confuso en primero mirada, I pensar.
Específicamente involucrando bloques y defensor altura.
Entonces nosotros pensar de baloncesto como siendo muy dependiente en altura.
Si tú son más alto, estás más probable a ir a el NBA.
Siete pies de página, I pensar tú tener a 20 por ciento oportunidad
de justo yendo a el NBA incluso si tú son siete pies.
Entonces este es algo eso nosotros pensar, si usted bloquear disparos más y estás más alto,
estás yendo a ser conmovedor el delito agujas negativamente.
Sin embargo, nosotros ver eso estos relaciones son de hecho condicionalmente positivo,
cual es muy interesante ese promedio bloques por juego
y el defensor altura, como Bueno como el bloqueo tasa,
son todo positivo relaciones.
Y entonces inicialmente, I era confundido por este, pero I pensar este tiene más a decir acerca de
el jugadores eso estos jugadores son vigilando bastante que
el actual variables ellos mismos.
Entonces qué I significar por este es cuando tu consideras eso más alto jugadores
con mejor bloqueo estadísticas son grande hombres jugando fuerza adelante o centro,
ellos son vigilando otro grande hombres.
Y entonces eso marcas sentido a pequeño poco más.
Guardias tender a poner arriba más agujas en el NBA con el énfasis
en tres- punto tiroteo ahora.
Y a lote de delitos son correr a través de alguno de estos menor jugadores
OMS tender a ser guardado por otro menor jugadores.
Mientras estos más alto jugadores, con más bloques,
son vigilando grande hombres OMS tal vez no son el focal punto de el ofensa,
aparte de cierto jugadores como Jokic y Embiid y Giannis.
Pero este causas a positivo relación,
pero es en realidad más a función de el posición
eso estos jugadores son jugando.
Entonces I pensamiento eso era un interesante
condicional relación a destacar dentro el modelo,
y él implica a pequeño poco más Más adentro pensamiento acerca de el relación entre
bloqueo, altura, y el agujas eso un ofensivo jugador pone arriba.
Entonces en términos de el modelo en general,
nosotros poder ver eso este uno y el lazo regularizado modelo
son muy similar en su predicciones.
Bien ver eso en más detalle pronto cuando I voltear a el 2021 predicciones,
pero el elección entonces podría no ser también significativo.
Ambos tener su ventajas.
De curso, este uno permite a nosotros a ver el significado de más de el variables,
específicamente el defensivo variables,
mientras el primero uno tiene a levemente más bajo AIC
y podría ser mejor para predicciones si el datos es disponible.
Entonces ambos dejar a pequeño poco a ser deseado
en términos de predecir mucho más seguramente que el simple lineal regresión.
I quería tener apreciado a ver este Raíz Medio por qué Error disminuir más,
y es algo I quería mirar en como I continuar este proyecto,
mirando a recolectar mejor datos, intentando a hacer el enfrentamientos
más individualizado sin sacrificando el normalidad de el respuesta variable,
cosas como eso.
Pero con eso ser dicho, estos son el modelos eso I tener ahora,
y nosotros poder mirar a prueba estos en el 2021 estación de este modo lejos.
Entonces si I cambiar encima aquí hacia enfrentamientos para 2021,
nosotros tener el mismo datos mesa justo con este años enfrentamientos.
Y entonces Soy justo en Josh De Hart enfrentamientos bien ahora
porque I ir a Villanova y Él es a Villanova grande,
entonces aquí nosotros tener a él como a jugador, su equipo, y el defensivo equipos,
su estadísticas, su estadísticas.
Como nosotros tenemos ya visto, estos son todo el variables
eso podría ser incluido en el modelo.
Disculparse para el rápido panorámica,
pero aquí nosotros tener el predicciones en el fin.
Entonces estos predicción variables, o bastante estos columnas,
son el modelo predicciones.
Entonces nuestro primero uno, nuestro primero modelo, es el Óptimo Múltiples L lineal Regresión
eso es usando el Lazo regresión y incluido el agujas por juego variable.
Como tú poder ver en este juego,
él es previsto a poner arriba 12.8 agujas y el residual aquí es acerca de cinco.
Entonces en realidad este residual es el agujas menos el predicción.
Entonces él de hecho poner arriba, este es alrededor 13 y este es alrededor cinco,
entonces él poner arriba acerca de 18 agujas aquí en cambio de nuestro previsto 13.
Entonces eso es obviamente no a excelente medida.
Y entonces nosotros poder mirar en algunos de el alternativa modelo.
El alternativa modelo predicción es muy similar,
y nosotros voluntad ver este en mayor que detalle como I voltear atrás a el PowerPoint y espectáculo tú
amable de a condensado versión de este datos mesa,
porque bien ahora I saber eso este en JMP es a pequeño poco abrumador
porque Hay entonces muchos variables, entonces muchos aleatorio números
ser arrojado en tú.
Entonces Soy yendo a cambiar atrás
en el PowerPoint a espectáculo tú alguno de el predicciones
para ambos Josh Ciervo aquí y para Kevin Durante.
Todo bien, entonces ahora eso nosotros tener nuestro dos modelos
y el simple lineal regresión a comparar él a,
nosotros poder aplicar estos predicciones a juegos eso Kevin Durante tiene jugó este estación.
Entonces aquí son cuatro juegos jugado en Atlanta, Carlota, Chicago, y Cleveland.
En el primero uno, él anotó 31 agujas.
En realidad, ambos nuestro modelos previsto cerca a 26 agujas,
entonces el residual es justo alrededor cinco.
Sin embargo, nosotros ver eso Cuando Kevin Durante es cerca a su promedio agujas
alrededor 28 o 29 agujas por juego,
cuando él de hecho montones eso, el predicciones son muy cerca
porque agujas por juego pesa entonces fuertemente en estos modelos.
Entonces, para ejemplo, en este Cleveland juego,
nuestro primero modelo previsto 26.2 agujas, él de hecho anotó 27.
Por lo tanto, el residual es menos que uno.
Y similarmente aquí, el derechos residuales de autor menos que uno
para el alternativa modelo como Bueno.
Entonces nosotros ver eso el modelo sobresale cuando jugadores llevar a cabo cerca a promedio,
cual ellos voluntad hacer mayoría de el tiempo. Pero Hay obviamente variación,
como en este juego contra Carlota, él tenía a particularmente bien juego.
Él anotó 38 agujas.
Es a excelente juego, pero particularmente bien juego por Kevin Durante normas.
Y entonces el modelo predicciones son mucho más lejos apagado.
Y nosotros ver el mismo cosa con Josh Ciervo.
Su agujas promedio a pequeño poco más bajo porque él, de nuevo, lleva a encendedor carga.
Kevin Durante es a estrella jugador en el Redes,
entonces Él es conseguir a lote de toques y tomando a bien parte de aquellos disparos.
Entonces aquí nosotros tener De Hart producción.
De nuevo, su agujas promedio está más cerca a estos 12 y 14 rango.
Entonces el derechos residuales de autor aquí son muy pequeño.
Cuando él pone arriba 14,
nuestro modelos previsto alrededor 13.5 y el derechos residuales de autor están alrededor de .5 .
Entonces nosotros tener en realidad bien predicciones para cuando él montones
un promedio cantidad de agujas o cerca a un promedio cantidad de agujas.
Pero cuando él montones menos o mucho mayor que
entonces el predicciones tender a sufrir a pequeño poco.
Entonces con todo este ser dicho, I saber I corrió a través de estos modelos.
Vamos llevar a paso atrás y mirar en el limitaciones en detalle
y alguno más estudiar eso I podría abarcar.
Entonces primero de todo, estos son usando promedios por el ofensivo jugador y defensivo equipo
como opuesto a ofensivo jugador y individual jugador.
Como Yo tengo mencionado, eso quería ser el ideal guión,
pero como I era haciendo él, él no trabajar afuera como eso.
Entonces eso podría ser causando alguno problemas porque es duplicando alguno resultados.
En cambio de ser clasificar de a uno a uno,
si a jugador es ser guardado por este jugador,
este es cómo muchos agujas ellos voluntad puntaje.
Si a jugador es ser guardado por a combinación de jugadores en este equipo,
este es cómo muchos agujas ellos voluntad puntaje.
Entonces es más fácil a predecir pero tal vez a pequeño menos preciso.
Además, el promedios son para el completo estación,
cual medio predicciones hacia el comienzo puede ser menos preciso,
como I mencionado, cual es algo eso I pensar el carrera valores
intentar a recurso a pequeño poco.
Él podría ser valer añadiendo cosas como agujas por juego
en el estación variables con a retraso de tal vez cinco estaciones.
Entonces tomando el promedio agujas por juego para el último estación, dos estaciones atrás,
tres estaciones atrás, y entonces en a intentar a agregar alguno más variables
y tal vez predecir a tiempo o a tendencia en jugador actuación.
Además, jugador actuación es dependiente en incontable otro factores
semejante como frío o caliente manchas,
cómo Bueno ellos tienen estado amaestrado como de tarde,
lesiones en su propio equipo, lesiones en el oponiéndose equipo
eso podría aumentar o disminuir su role,
menor lesiones eso ellos son relación comercial con ellos mismos
eso podría disminuir o aumentar su role.
Y entonces cosas como descansar días,
viajar tiempo, y a lote de otro intangibles
como NBA jugadores son humano y nosotros todo saber alguno días eran no sentimiento el mejor,
otro días eran sentimiento excelente, más energético.
Aquellos tipos de cosas podría dirigir a mejor actuación o peor actuación.
Entonces estos intangibles son
no yendo a ser algo eso I poder factor en el modelo
pero es importante a reconocer eso ellos podría aún afectar
el agujas en a dado juego.
En términos de más estudiar,
I quería amar a amable de rectificar todo estos limitaciones
y mirar a predecir a más holístico variable
semejante como ofensivo clasificación.
Entonces ofensivo clasificación es yendo a predecir a del jugador agujas por 100 posesiones
contribuido a el juego en cambio de justo uno aspecto de el juego en agujas.
I quería amar a predecir algo como este o voltear él a el defensivo lado
y predecir a defensivo clasificación basado en OMS ellos son probable
a ir arriba contra en ofensa.
Entonces algo como eso I pensar quería ser en realidad Frío
y él quería extender el solicitud de este más hacia entrenadores
y equipo analistas en cambio de tal vez alguno de el fantasía baloncesto jugadores
OMS son mirando para a estricto medición como agujas o algo como eso.
Entonces con todo este ser dicho,
Soy definitivamente yendo a continuar laboral en este proyecto.
Él era a lote de divertido y I amar mirando en estos modelos
y interpretación de a baloncesto punto de vista qué yendo en.
Si tú tener cualquier preguntas, por favor sentir gratis a poner aquellos preguntas
en mi comunidad correo en el comentarios. Enfermo ser feliz a respuesta a ellos.
Y si tú tener cualquier sugerencias como Bueno para más estudiar,
I quería también ser feliz a llevar aquellos en. Agradecer tú entonces mucho su tiempo.
