Как Байесовская модель предсказала выбор «Сперс»

Какой драфт ускользнул

Я наблюдал за лотереей НБА как за модели Монте-Карло в реальном времени — каждый шар был выборкой из апостериорного распределения, построенного в R. Не магия. Не судьба. Только вероятности.

«Сперс» получили второй выбор. Все радовались. Я — нет. Моя модель давала им 14% шансов — на основе вероятностей побед, истории травм и энтропии драфта, а не рекламных нарративов.

Сигнал, который игнорировали

Они называли это «удачей». Я — P(D|H). Данные не заботились о вашей эмоциональной предвзятости — они заботились о ковариационных матрицах, векторах ожидаемых значений и условных переходах через 50 000 симуляций.

Фронт-офис «Уорриорс»? Они использовали таблицы из ’98. Моя модель — PyMC3 с априорными данными, основанными на производительности G-Лиги и энтропии набора игроков.

Почему никто не поверил

Вы видите результаты как нарратив. Я — как апостериоры. Когда вы спрашиваете: «Кто получил выбор?» — вы спрашиваете, у какой команды самая высокая маргинальная вероятность по вашим допущениям — не моим. Моя модель не радуется. Она вычисляет. И иногда… её игнорируют. Вы хотите верить в магию? Я предпочитаю доверительные интервалы.