PTT評價

Re: [閒聊] 嘗試以機器學習排出P+前三隊

看板basketballTW標題Re: [閒聊] 嘗試以機器學習排出P+前三隊作者
tony790927
(Chiao)
時間推噓13 推:13 噓:0 →:22

感謝大大有趣的文~
剛看了下UCLA論文後有幾個機器學習的問題想問,因文長用回文形式,若不適合本版我再刪文

1. 關於features數目,原論文似乎自己挑18個數據,把一些數據如總籃板數、失誤(他們?得失誤比較無法顯示好壞表現)等拿掉

而原po似乎是遠多於18再用2次降維方式後再K-Mean

不過論文看起來他們只是拿降維後的做2D visual而已 (下圖)

https://i.imgur.com/XbFWIRD.jpg


拿去K-Mean的是沒降維的,畢竟只有18維。這邊或許可以自己挑出類似features,才不會太雜亂數據影響。

以下是他們選的

https://i.imgur.com/pYlMp8f.jpg

2. 論文最後是有說到其實「每個群是類似的」

如下圖, 每個群跟隊伍排名的線性關係p-value都很大(p-value 越大信心程度很小)

https://i.imgur.com/nx3TZqw.jpg

“This suggests that there is no relationship between how good a team is and membership in a particular cluster. “

就是幾乎沒關係的意思

文中提到重點是「離每個分群質心的距離」才能顯現好壞球員,例如在x群中的離x群的中心越遠,則球員越猛

https://i.imgur.com/FZ7CUxK.jpg

可看到p-value才0.02左右(0.98的信心)

簡言之,如果直接拿每個群當成一二三隊似乎不適合,可能用與跟質心的距離排出各個球員才比較好。

而原PO現在分群中的第一隊,可能有些人是比較靠近質心,有些人則是遠離質心,比較好的式可以多列出他們與質心的距離,越大則是越厲害

不過上述都是建立在你是follow這論文的作法,如果你有修改的話可能就不是我上述所說的一樣了。

話說我也可能有錯,只是小弟的一些看法,歡迎指正。

發此文的用意只在推崇科學與運動的結合,很感動台籃版越來越活絡,也感謝原PO的effort
----
Sent from BePTT on my iPhone 7

--

※ PTT 留言評論
※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 122.99.29.154 (臺灣)
PTT 網址

csro7788 07/08 10:48推推

Joshuaian 07/08 10:49推,大力推!

a21215540 07/08 10:50

YYYero 07/08 10:52推這篇

bobon0921 07/08 10:54i7 原po手機好能撐

tony790927 07/08 10:57最近才從6s剛換成7 二手而已,小弟常摔手機,摔到

tony790927 07/08 10:57才不會心痛XD

shifa 07/08 11:00所以這篇是用分群去界定一二三隊的範圍,然後根據

shifa 07/08 11:00分群去找跟勝場有最高度相關的球員?

我的理解:這篇UCLA的論文是先找出”類似的球員”的分群,然後根據所有30隊nba隊伍 算出每隊nba隊伍含有第一群、第二群的比例,(例如咖喱、k湯在第四群, 勇士隊含有第四 群 球員比例是2/n, 同樣地算出含有第一、二…群比例,以及其他隊如籃網隊的各群比例),? 現算出來含有各群比例跟不同nba 隊伍之間的排名沒有實質線性關係,進而間接發現其實每個分群其實都是均勻,沒有明顯哪 個群比哪個群厲害。後來他們發現是群中的球員到群的質心距離才能代表球員好壞

a034506618 07/08 11:02

pupss93101 07/08 11:04推整理,很清楚!

johnbill 07/08 11:11好文

lwswjs 07/08 11:31很好 有文獻探討 也有引用

xpope 07/08 11:31有點意思

lszh9999 07/08 11:46看來台籃板也是一堆ML的高手

hsuehhm 07/08 11:56每個群裡的球員代表場上表現類似 但越遠離群中心

hsuehhm 07/08 11:56的球員(離群)代表有較群裡他人不一樣的表現

沒錯!

TimmyWendell07/08 12:04好像有些字被吃掉了?像第一點:覺得

※ 編輯: tony790927 (122.99.29.154 臺灣), 07/08/2022 13:28:15

chih2loveu 07/08 18:34感謝原po用心幫我找問題所在!關於第一點我去年也是

chih2loveu 07/08 18:34只有使用傳統數據,跑出來結果合理但又覺得沒什麼代

chih2loveu 07/08 18:34表性,今年才野心比較大想增加features,結果還無法

chih2loveu 07/08 18:34掌握好xD第二點我還真的忘記去試了,雖然我有修改做

chih2loveu 07/08 18:34法,但或許與質心距離也會是我系統中的key point,

chih2loveu 07/08 18:34我會再想想怎麼實現和應用,最後再感謝原po一次!!

tony790927 07/08 19:27原來你去年就試過!真用心!

tony790927 07/08 19:27原論文也說可以放多一點features,多一點應該是很

tony790927 07/08 19:27有用,例如效率值、正負、Game Score等進階數據,

tony790927 07/08 19:27但全放可能太多就是

tony790927 07/08 19:27話說你有把結果放GitHub嗎?如果有前處理好的或許

tony790927 07/08 19:27可以考慮釋出,有時間的話我也可以考慮用別的架構

tony790927 07/08 19:27fit看看一個model

chih2loveu 07/09 00:17因為結果沒很好所以沒打算要上傳 大大如果你要的話

chih2loveu 07/09 00:17再來信給我 我再把這次的資料給你~

chih2loveu 07/09 00:19我前處理只有cleaning和正規化而已 之後再試試看怎

chih2loveu 07/09 00:19麼有系統的features select