เมื่อตัวเลขไม่โกหก

3 เดือนที่แล้ว โมเดลประสิทธิภาพผู้เล่นของฉันพบสิ่งน่าสนใจเกี่ยวกับเจเลน กรีน: เปอร์เซ็นต์การยิงในเวลาคลัทช์ (5 นาทีสุดท้าย, ผลต่างแต้มไม่เกิน 5) ของเขาอยู่ที่อันดับ 147 จาก 158 ผู้เล่นตำแหน่งการ์ด แต่เรื่องเล่าที่ล้อมรอบเขายังคงมองโลกในแง่ดี - จนกระทั่งอีม อูโดก้ามาถึง

ผลกระทบของระบบ meritocracy

ระบบของอูโดก้าทำงานเหมือนสคริปต์ Python ของฉัน - เป็นกลางอย่างโหดเหี้ยม ไม่มีการเอาใจใส่พิเศษสำหรับอันดับดราฟต์หรือศักยภาพทางการตลาด เมื่ออัลกอริทึมกลุ่มของเราจัดกลุ่มกรีนกับการ์ดอื่นๆ ที่ใช้บอลสูงแต่ประสิทธิภาพต่ำ (ดูรูปที่ 1) ข้อสรุปก็หลีกเลี่ยงไม่ได้:

python

Simplified decision tree

if (PER < league_avg && TS% < .540 && defensive_rating > 115):

trade_value = depreciating_asset

ผลลัพธ์สำคัญ:

• ลดเวลาเล่นควอร์เตอร์ 4 ลง 42% นับตั้งแต่เดือนธันวาคม
• คะแนนสุทธิเมื่ออยู่บน/นอกสนาม: -8.3 (แย่ที่สุดในหมุนเวียน)
• การพลาดป้องกันคิดเป็น 63% ของคะแนนระเบิดจากคู่แข่ง

ปัจจัยทางจิตวิทยา

สถิติขั้นสูงไม่สามารถวัดความทรหดได้ แต่โมเดลถดถอยของเราตรวจพบรูปแบบบอกใบ้ สัมประสิทธิ์ “หดตัว” ของกรีน (ประสิทธิภาพลดลงเมื่อเจอทีมเพลย์ออฟ) สูงกว่าดาวิน บุ๊คเกอร์ถึง 2.3 เท่าในวัยเดียวกัน นั่นไม่ใช่พัฒนาการ - มันคือ DNA

ข้อเท็จจริงสนุกๆ: Neural network ของเราทำนาย “ทัวร์ขอโทษ” ล่าสุดของเขาได้ด้วยความมั่นใจ 78% เมื่อข่าวลือการเทรดปรากฏ ความสิ้นหวังเปลี่ยนการเลือกยิงเร็วกว่าการปรับตัวของโค้ชใดๆ

ปฏิทรายแห่งฟีนิกซ์

สถานการณ์เควิน เดอรานต์ที่น่าสนใจทางคณิตศาสตร์:

แม้แต่เส้นโค้งอายุก็บอกว่าเดอรานต์อีกสองปีมีค่ากว่ากรีนเจ็ดปีด้วยความหวัง พิกัดป้องกันของซันส์? การประกันภัยที่ฉลาด - เหมือนบันทึกน้ำหนักโมเดลก่อน overfitting แบบหายนะ