Коли цифри перестають брехати

Три місяці тому моя модель ефективності гравців виявила щось цікаве про Джелена Гріна: його відсоток влучних кидків у вирішальні моменти (останні 5 хвилин, різниця до 5 очок) був 147-м серед 158 захисників. Але наратив навколо нього залишався оптимістичним — поки не прийшов Іме Удока.

Ефект меритократії

Система Удоки працює як мої Python-скрипти — безжально об’єктивно. Ніяких пільг через позицію на драфті чи маркетинговий потенціал. Коли наш алгоритм кластеризації відніс Гріна до групи захисників з високим використанням та низькою ефективністю, висновок був очевидним:

python

Спрощене дерево рішень

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

trade_value = depreciating_asset

Ключові висновки:

• Падіння ігрового часу в четвертій чверті на 42% з грудня
• Різниця у рейтингу +/-: -8.3 (найгірший серед основних гравців)
• 63% сплесків очок суперників через помилки в захисті Гріна

Психологічний фактор

Складні статистики не вимірюють характер, але мої моделі регресії виявляють закономірності. Коефіцієнт “стискання” Гріна (падіння продуктивності проти команд плей-оф) у 2.3 рази вищий, ніж у Девіна Букера в тому ж віці. Це не розвиток — це ДНК.

Цікавий факт: Наша нейромережа передбачила його недавній “тур із вибаченнями” з ймовірністю 78%, коли з’явилися чутки про обмін. Відчай змінює вибір кидків швидше, ніж будь-які корективи тренера.

Парадокс Фенікса

Запропонований сценарій з Кевіном Дюрантом вражає з математичної точки зору:

Навіть криві старіння свідчать, що два роки Дюранта корисніші за сім років марних сподівань на Гріна. Захищені драфт-піки “Санз”? Розумне страхування — як збереження ваг моделі перед катастрофічним перенавчанням.

Дані ніколи не брешуть… але іноді вони говорять неприємну правду.