Optimizing Offensive Gameplan in the National Basketball Association with Machine Learning

要約

NBA で起こった分析革命を通じて、特定の指標と計算式の開発により、チーム、コーチ、選手にゲームの新しい見方が与えられました。
しかし、疑問が生じます。メトリクスをどのように検証できるのでしょうか?
1 つの方法は、単純に目で見て近似する (さまざまなゲームプランを試す) および/または試行錯誤です。これは推定ベースでコストのかかるアプローチです。
もう 1 つのアプローチは、機械学習技術を使用して、独自の特徴セットを備えた既存のメトリクスをモデル化しようとすることです。
このアプローチの重要な点は、選択されたこれらの機能を使用して、単純なメトリクス評価で個別の分析を使用するのではなく、これらの機能を組み合わせた効果を測定できることです。
正確なモデルがあれば、特にゲームプランの実行の詳細を決定するのに役立ちます。
この論文では、線形回帰モデルとニューラル ネットワーク回帰モデルの両方を使用して、統計 ORTG (Offensive Rating、ディーン オリバーによって開発) がさまざまな NBA プレイタイプと相関関係があることが判明しましたが、最終的にはニューラル ネットワークが線形回帰モデルよりもわずかに優れて機能しました。
回帰。
モデルの精度を正当化として使用し、次のステップでは、テスト例を使用してモデルの出力を最適化し、高度に機能する攻撃を最適に達成するための機能の組み合わせを実証しました。

要約(オリジナル)

Throughout the analytical revolution that has occurred in the NBA, the development of specific metrics and formulas has given teams, coaches, and players a new way to see the game. However – the question arises – how can we verify any metrics? One method would simply be eyeball approximation (trying out many different gameplans) and/or trial and error – an estimation-based and costly approach. Another approach is to try to model already existing metrics with a unique set of features using machine learning techniques. The key to this approach is that with these features that are selected, we can try to gauge the effectiveness of these features combined, rather than using individual analysis in simple metric evaluation. If we have an accurate model, it can particularly help us determine the specifics of gameplan execution. In this paper, the statistic ORTG (Offensive Rating, developed by Dean Oliver) was found to have a correlation with different NBA playtypes using both a linear regression model and a neural network regression model, although ultimately, a neural network worked slightly better than linear regression. Using the accuracy of the models as a justification, the next step was to optimize the output of the model with test examples, which would demonstrate the combination of features to best achieve a highly functioning offense.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google