Як байєсівська модель передбачила вибір Сперс

Як Draft That Got Away

Я спостерігав лотерею NBA draft як Монте-Карло симуляцію в реальному часі — кожен пинг м’яча був вибіркою з постериорного розподілу, побудованого в R. Не магія. Не доля. Лише ймовірності.

Сперс отримали #2 вибір. Усі радували. Але я нi. Бо моя модель призначила їм 14% шансу — на основi ймовірностей перемоги, історiї порань та ентропiї вибору — не хайп чи трансляцiї.

Сигнал, Який Ігнорували

Вони назвали це «випадінням». Я назвав це P(D|H). Данi не цiкався про ваш емоцiйний упередження — вона цiкавалася про коварiацiйнi матрицi, вектори очiкуваної величини та умовнi переходи через 50 000 симуляцii.

Фрон-офис Варрior? Вони користувалися таблицями з ’98. Моя модель — PyMC3 з прiTорами, обумовленими продуктивнiстю G League та ентропieю рекрутмаєнту.

Чому Нема Хто Втажив Це?

Ви бачите результат як історii. Я бачу їх як постериори. Коли ви питаєте: «Хто отримав виб_i?» — ви питаєте, яка команда має найвищу маргинальну ймовíрнíсть за вашими припущеннями — не моїми. Моя модель не радує. Вона обчислює. І інодí… її ігнорують. Ви хочете повíрити у магii? Я обираю довíря до інтервалóв.