Συλλογές
Τίτλος Predict shot success in NBA
Εναλλακτικός τίτλος Πρόβλεψη επιτυχίας σουτ στο NBA
Δημιουργός Πλιάτσικας, Αναστάσιος, Pliatsikas, Anastasios
Συντελεστής Ntzoufras, Ioannis
Chatziantoniou, Damianos
Athens University of Economics and Business, Department of Management Science and Technology
Karlis, Dimitrios
Τύπος Text
Φυσική περιγραφή 224p.
Γλώσσα en
Αναγνωριστικό http://www.pyxida.aueb.gr/index.php?op=view_object&object_id=9492
Περίληψη Basketball teams have expended significant (financial, human, and material) resources in an attempt to measure and identify court locations from which individual players shoot at a higher percentage. In this regard, the current study's main goals are to determine the best approach for predicting shot success as well as gain insights into the performance indicators affecting players' shooting effectiveness.Our sample included player tracking and play-by-play data from the NBA's 2014-2015 season, along with a variety of features (e.g. spatiotemporal, situational, player and team based attributes), allowing us to investigate a player's performance history and in-the-moment factors that may influence shot success. Six different classification models (decision trees, random forests, naïve Bayes, k-nearest neighbors, linear probability model and logistic regression) were developed and then evaluated in terms of accuracy and F1-score. This procedure was repeated once for all field goals, once for two-pointers, and once for three-pointers. We also investigated each team's shooting strategies, the factors influencing shooting efficiency and the defensive aspect of the game, while also focusing on LeBron James.Our results indicated that the optimal classifier for predicting the shot success was random forest, which was also the case for three-pointers. The logistic regression was the most accurate classifier for two-pointers and among the best overall. It was also highlighted that the spatial-temporal aspects of shots (primarily shooting distance) and the player's shooting abilities (mainly the average field goal percentage per shot zone and per shot type) had a significant influence on a shot’s success.Coaching staffs and general managers could use our models to better understand and improve their players' abilities and shot selection throughout a game, as well as to assist them in their coaching decisions, game plan development, creation of efficient lineups and acquisition of players who are complementary to the team’s needs.
Οι ομάδες μπάσκετ αφιερώνουν σημαντικούς (οικονομικούς, ανθρώπινους, υλικούς) πόρους για να μετρήσουν και να εντοπίσουν τα σημεία του γηπέδου όπου οι παίκτες σουτάρουν με υψηλότερα ποσοστά. Ως εκ τούτου, οι κύριοι στόχοι της τρέχουσας μελέτης είναι ο προσδιορισμός της καλύτερης προσέγγισης για την πρόβλεψη της επιτυχίας των σουτ και η αναγνώριση των δεικτών απόδοσης που επηρεάζουν την ευστοχία στα σουτ.Η χρήση player tracking και play-by-play δεδομένων από την σεζόν 2014-2015 του NBA, εμπλουτισμένων με μια ποικιλία χαρακτηριστικών (π.χ. χωροχρονικών, ατομικών, ομαδικών), μας επέτρεψε να διερευνήσουμε το ιστορικό απόδοσης ενός παίκτη μαζί με παράγοντες καταγραφόμενους όταν επιχειρείται ένα σουτ, οι οποίοι δύναται να επηρεάσουν την επιτυχία του σουτ. Έξι διαφορετικά classification μοντέλα (decision trees, random forests, naïve Bayes, k-nearest neighbors, linear probability model, λογιστική παλινδρόμηση) αναπτύχθηκαν και έπειτα αξιολογήθηκαν βάση accuracy και F1-score. Αυτή η διαδικασία επαναλήφθηκε μία φορά για όλα τα σουτ, μία για τα δίποντα και μία για τα τρίποντα. Επιπλέον, ερευνήσαμε τις στρατηγικές κάθε ομάδας στα επιχειρούμενα σουτ, τους παράγοντες που επηρεάζουν την ευστοχία και την αμυντική πτυχή του παιχνιδιού, ενώ εστιάσαμε επίσης στον ΛεΜπρόν Τζέιμς.Είδαμε ότι ο βέλτιστος classifier για την πρόβλεψη της επιτυχίας ενός σουτ ήταν ο random forest, κάτι που ίσχυε και για τα τρίποντα. Η λογιστική παλινδρόμηση ήταν ο πιο ακριβής classifier για τα δίποντα. Παρατηρήσαμε επίσης ότι οι χωροχρονικές πτυχές των σουτ (ιδιαίτερα η απόσταση) και οι ικανότητες του παίκτη (κυρίως το μέσο ποσοστό ευστοχίας ανά ζώνη γηπέδου και ανά τύπο σουτ), είχαν σημαντική επίδραση στην επιτυχία ενός σουτ.Τα προπονητικά επιτελεία και οι general managers μπορούν να χρησιμοποιήσουν τα μοντέλα μας για την καλύτερη κατανόηση και βελτίωση των ικανοτήτων και shot selection των παικτών, καθώς και για να βοηθηθούν στις προπονητικές αποφάσεις, στην ανάπτυξη του πλάνου παιχνιδιού, στο χτίσιμο αποτελεσματικών πεντάδων και στην απόκτηση παικτών συμπληρωματικών στις ανάγκες της ομάδας.
Λέξη κλειδί Αθλητική αναλυτική
Δυαδική ταξινόμηση
Πρόβλεψη
Μηχανική μάθηση
Prediction
NBA
Sports analytics
Machine learning
Binary classification
Διαθέσιμο από 2022-05-20 22:29:26
Ημερομηνία έκδοσης 05/20/2022
Ημερομηνία κατάθεσης 2022-05-20 22:29:26
Δικαιώματα χρήσης Free access
Άδεια χρήσης https://creativecommons.org/licenses/by/4.0/