[閒聊] 嘗試以機器學習排出P+前三隊

[chih2loveu (辣助)]

大家好
前陣子世界賽，看到很多人在討論P+前兩隊的選人標準
突然想到我曾經做過類似的專題（感興趣的人可以A我文章看，但很簡略xD）
因此決定再做一次，看看是不是與媒體投票的結果有所差異～
先打預防針，這是機器學習的結果，基本上就是個黑盒子，所以大家看看就好，別太認真！


-
懶人包：

以 PCA+t-SNE 對資料降維，並以 K-Means 對球員分群^[1]
再考慮各群對球隊勝率的幫助及各自的上場時間，得出結論（有根據P+規則）
第一隊-> 吉爾貝克、李德威、李家瑞、陳堅恩、李愷諺
第二隊-> 辛巴、朱雲豪、曾文鼎、楊盛硯(?)、簡祐哲
第三隊-> 塞瑟夫、林志傑、林書緯、林俊吉、高國豪
（參考板友意見後，在推文有另一個版本）


-
正文：

首先機器學習最重要的就是資料，分成傳統數據和進階數據
傳統數據部分來自P+網站，進階數據部分則來自Game Changer網站^[2]
範圍是本季例行賽，出賽多於十場、平均上場多於六分鐘、總上場時間多於一百分鐘

在這裡先吐槽一下，P+可不可以趕快完善數據這一塊，不懂到底難在哪......
都有一個NBA stat給你抄了，到現在還是只有傳統數據@@


但現在的資料維度（95個）太高，直接跑的結果不會好，因此需要先設法降低
這邊用的是比較常見的 PCA 和 t-SNE

PCA 的中文叫做「主成分分析」，原理簡單來說是透過軸的旋轉
找到新的變數（即主成分），這個變數可以同時保留很多維度的訊息，從而達到降維目的
可以想像在二維平面上，假設資料點都是(1,1)、(2,2)、(3,3)......
那麼比起用x、y軸記錄這些點，不如將座標軸旋轉45度，那就是只用一個軸達到同樣效果

但 PCA 完後仍有3X個維度，因此再引入另一種方法再度降維
t-SNE 我不太確定正式的中文譯名，直接翻的話叫「t分布隨機鄰近插入」
假設我們想要將一個圓上均勻的點投射在一條線上，勢必有重疊但其實距離很遠的點
那要如何讓這些點在線上可以分別？答案比想像中粗暴：先量原本的距離
量完後根據距離丟到t分布上，並賦予這些點一個條件機率
使這些點有更高的機會在投射後被分到原本距離近的點附近（抱歉真的很難解釋^[3]）


維度順利降到二維後，就可以開始對球員進行分群了，在這裡順便解釋一下原因
在現行所有評估球員的方法中，最難的點就是怎麼降低場上其他人的影響？

這就回到我的目的，也就是選出前三隊
對我來說，前三隊代表這些人上場就是贏球保證
因此我藉由觀察其他表現差不多的球員，去看說是不是其他人上場越多，球隊勝率越高？
當然這個想法有很多瑕疵，但現行公開的數據來看，我認為可能沒有更好的選項

分群的方法應該就不用介紹了，就是將距離近的點抓在一起，而這裡我將球員分10群^[4]
接著計算各群在各隊的上場時間，加上各隊勝率跑個迴歸，便得到各群平均對勝率的影響
值得注意的是各群之間各球員的相似度落在0.375至0.4左右
因此如果直接用上面得到的結果，會造成精確度的影響很大，那要怎麼解決呢？

其實統計很常見的做法就是：一次不行，那就多跑幾次，相信大數法則xD
所以我重複上述步驟100次，並將每次得到的勝率乘上同群相似度和總上場時間
最後得到的結果便是我用來決定前三隊的指標！（結果如懶人包所示）^[5]


-
心得：

1.以這項指標來看，MVP德威、最佳洋將大B、最佳新人小烈
  而敏哥和又瑋在這項指標中都不算太好

2.國王和領航猿的洋將在隊內排名都不高（湯瑪士隊內第9，里喬羅三人則幾乎墊底）
  可能是國王的體系讓本土球員可以更好的發揮優勢？

3.結果看起來對中鋒評價都比較高，可能是採用的數據問題，也可能在台灣中鋒真的很好用
  這一點等之後有更多數據後再作觀察

4.FMVP辛特力在隊內排名倒數第二，真正的季賽養生季後殺生代表？

5.這項指標為負值的人有->
  張耕淯、聶歐瑪、李盈鋒、里金斯、林宜輝、錢肯尼
  而領航猿和鋼鐵人大多都為負值，可能勝率太低所致，也可能體系有很大的問題

6.另外有一項指標是看各球員被分到的群，在全部裡面排名第幾
  我原本想當作觀察有誰應該得到更多上場時間的指標，但容毅燊名列前矛讓我有點懷疑

7.以結果來看，應該模型表現沒有很好，未來再找找看有沒有衡量的指標做為參考
  也歡迎對數據有興趣的板友們一起討論、集思廣益！


-
附註：

[1]這個過程參考自UCLA的一篇論文：https://tinyurl.com/544k9dkf

[2]https://tinyurl.com/2e6y5qfr
   其中除了各區域命中率以外皆有使用
   順便問一下有沒有高人可以指點如何爬這種網站？慢慢複製好累......

[3]有興趣的板友推薦看https://tinyurl.com/4vhbkww3
   非常淺顯易懂！

[4]群數的決定辦法是土法煉鋼，從分2群到分10群，各跑1000次看結果哪個最好

[5]最後附上各隊前六名：
   勇士  -> 塞瑟夫 > 曾文鼎 > 林書緯 > 林志傑 > 曾祥鈞 > 張宗憲
   國王  -> 李愷諺 > 簡祐哲 > 林仕軒 > 林力仁 > 陳俊男 > 楊興治
   領航猿-> 陳冠全 > 林耀宗 > 李家慷 > 林  正 > 溫立煌 > 盧峻翔
   攻城獅-> 辛  巴 > 李家瑞 > 朱雲豪 > 陳堅恩 > 高國豪 > 吳岱豪
   夢想家->吉爾貝克> 李德威 > 楊盛硯 > 林俊吉 > 吳永盛 > 陳振傑
   鋼鐵人-> 布  朗 > 王柏智 > 王律翔 > 班尼特 > 鄭德維 > 盧哲毅

--
※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 61.64.12.30 (臺灣)
※ 文章網址: https://www.ptt.cc/bbs/basketballTW/M.1657227507.A.232.html
※ 編輯: chih2loveu (61.64.12.30 臺灣), 07/08/2022 05:07:09
推 wu7706070   : 會不會有垃圾時間的問題？
可能 但就要看重播重新紀錄才行 就太累了xD

推 wayne5992   : 有趣 推個
→ miniUU      : 這數據是不是冠軍賽直接打臉，不然就是一人球隊無法
→ miniUU      : 參考
→ miniUU      : 第三隊三後衛，是不是該換掉一個？
P的規定是可以三前兩後或兩前三後~

→ BLABLA007   : 原PO沒有考量到主力問題嗎? 基本上前三隊一定是該
→ BLABLA007   : 隊主力阿
→ BLABLA007   : 你名單出現非主力排擠主力 不覺得有問題嗎
因為目前沒有客觀數據可以確定誰是主力（比較接近的可能是USG%？這我有放）
也無法證明所謂主力在場上對球隊是好處

但你說的也很有道理，所以目前想到的是那就乾脆限制平均上場時間要多於24分鐘
符合的有31位下去做，最後得到的結果是：

第一隊->辛巴、李家瑞、李愷諺、吳永盛、林書緯
第二隊->湯瑪士、呂政儒、簡浩、高國豪、吳家駿

感覺結果比較合理一點，相似度也有上升

※ 編輯: chih2loveu (61.64.12.30 臺灣), 07/08/2022 05:31:48
推 lcall       : 李家瑞攻城獅第二？
推 deathfire   : 感覺很多都跟直覺上的排名不一樣
→ deathfire   : 如果用一樣的系統排NBA的不知道會怎樣
→ awheaton311 : 機器學習的問題通常都是數據的問題
→ awheaton311 : 數據很多 但要放那些資料才可以客觀評比都是學問
沒錯，這個問題困擾我好多個晚上QQ 看來還有很長一段路要走......

→ awheaton311 : 官方提供的數據不足時 模型
→ awheaton311 : 更難建立
→ awheaton311 : 原PO滿有心的 推
推 cweilun     : 辛特力完全沒上榜 扯
推 lucy2244    : Sample size感覺不太夠？就算PCA之後sample size是
→ lucy2244    : 不是也不到parameters 的10倍？
對，而且常見增加sample的方法感覺好像都不太適用？
小弟才疏學淺，目前想不太到有什麼解決方法@@

推 a53189360   : 有趣推個
推 shifa       : 技術含量很高給推 XD
shifa大整理數據的想法也讓我受益匪淺！

※ 編輯: chih2loveu (61.64.12.30 臺灣), 07/08/2022 07:05:44
推 sniperlin   : 原PO加油 做到聯盟來找你就成功了
推 Wardyal     : 有正規化和Data cleaning嗎 怎麼德威家瑞會在第一
→ Wardyal     : 隊= =
都有！
德威就算了 家瑞一直名列前矛讓我這個家瑞黑好難受
※ 編輯: chih2loveu (61.64.12.30 臺灣), 07/08/2022 07:13:19
推 sniperlin   : 家瑞德威的共同點都是季中有一段時間沒有上場
推 MinatoFlash : 資料維度太高的話要不要試試看LBG vector quantiza
→ MinatoFlash : tion 來壓縮一下？
推 lens82801   : P的官網數據真的少到可憐
推 lionjona    : 之前大勝還被登記到領航猿
→ lionjona    : 這數據確實有趣
推 njvm        : 以前我是用類神經網路拓樸最佳群數
以這次資料來說可能不會有更好的結果
加上類神經現在是我的弱項，所以沒有使用
這部分之後會再去研究，感謝建議！

→ RCX         : 看到第一隊有李德威、李家瑞就可以end 了
推 RCX         : 猿隊陳冠全最高？？？  李家慷 > 盧峻翔？？？
推 xpope       : 有趣
推 MinatoFlash : 喔喔看錯了你已經降維了XD 那可能真的就是數據太少
→ MinatoFlash : 的問題 可以再抓一些進階數據來建模型應該會更準
推 lcall       : 用效率值來算說不定最準？
推 MinatoFlash : 效率值的問題可能會更偏好一些會在垃圾時間刷分的
→ MinatoFlash : 人，而且會忽視掉很多防守貢獻，我覺得以on/off 值
→ MinatoFlash : 來做球隊內的比較應該特徵性會高點
其實一開始我只使用傳統數據和on/off相關下去做
只是結果沒有特別漂亮
這方面我再看看有沒有其他進階數據一起抓進來用

推 ssshleo     : 很好的想法 原po加油
推 Kaiokevin   : 酷
推 kobe50007   : 台籃板難得的優文
推 skyword     : 推
推 Diomedes    : 好有趣的文，雖然目前還不太準……XD
推 start928    : 用autoencoder降維看看 結果有沒有比較好
→ start928    : 另外也可以用DBscan試試看分群 多用看看不同方法吧
原本的想法是先用最常見的試試看
之後會再試試看各種不同方法，感謝建議！

→ start928    : 推推！
推 lawenwen    : 有趣給推
推 Derricklin21: 有人看到跟自己的印象分數不一樣就開酸= =就說是純
→ Derricklin21: 機器演算 有什麼毛病
沒事，其實我一開始也想說結果不好看所以猶豫要不要Po
但後來想說比起自己沒方向，不如丟上來看看大家想法~

推 duncan47    : 有趣 期待之後的結果 推!
推 j861010     : 純粹機器演算本來就有可能不準 看這份結果有人質疑
→ j861010     : 也很正常
推 jasonhsu612 : 國王隊為啥沒有楊敬敏，是不是少了啥
→ kill780215  : 德威德威 耀武揚威
推 chien0923   : 有趣推推
推 ohjesus     : 覺得用心 推！
推 jo4gl4d93   : 全世界頂級體育聯盟都在用數據分析了，還有人跟印象
→ jo4gl4d93   : 分數不同就end或開酸
→ jo4gl4d93   : 數字是不會錯的，所以為什麼會跟印象分數差很多就是
→ jo4gl4d93   : 分析要做的事，是要修正模型還是數據量不夠等等等
→ jo4gl4d93   : 什麼年代了，竟然還有人跟感覺不同就說數據沒用
推 cliff2102   : 推
推 boss87922522: 推 有趣
推 lexus1029   : 推
推 lay10521    : 推 數值是用per36嗎？
per36的問題是可能放大雜訊
所以目前主流的進階數據應該都比較少這麼做

推 NDlillard   : 推Game Changer 台籃進階數據專業網站
推 Peter911    : 推數據 p的model比較複雜 牽扯到洋將使用限制
你沒說我還真沒注意到這一點xD
看來真的還有很長的路要走~

推 AngelNo13   : 推，以後誰再酸家瑞只會假動作不敢投的，就拿這篇
→ AngelNo13   : 打臉
推 Joshuaian   : 推，敲碗control分差過大時的數據再跑一次的結果
這種苦差事可能真的很閒才能做xD

推 johnbill    : 推一個
推 johnbill    : 原PO是全部下去跑吧 也許可先做Feature Selection?
有想過，但一時想不到一個好的方法做篩選
但目前應該會朝這方面去做功課，看看怎麼做
感謝建議！

推 joeytoast   : 原來PCA也可以這樣玩xD
推 komexxx     : 推用心分析 台籃真的回來了XD
推 komexxx     : 會不會以後每一季都出一篇論文XD
有時間的話一定！

推 whenhowxyz12: 優文必推
推 NXT0614     : 推用心
推 breakfastboy: 結果看起來跟大家印象不一樣 勝率是使用logistic re
→ breakfastboy: gression跑嗎
是用 Linear regression，我竟然忘了可以從迴歸下手
晚點會試試看，感謝建議！

推 milton93    : 推一個，這好酷
→ SuikaJasper : 就算多跑幾次機器可能也會跟著你的數據客製化學習方
→ SuikaJasper : 式，不過這算是無解的資料問題了，機器學習其實沒法
→ SuikaJasper : 用太少的數據解決太複雜的問題
我相信這都會成為之後真正解決問題的養分！

推 HSPHHPM2HP  : 推。不過多跑幾次不是大數法則，那是p-hacking,
→ HSPHHPM2HP  : 一個當代的濫觴XD 個人比較不建議。
大數法則的確是開個玩笑xD
不過我這次是為了取加權平均(精確度太差)
應該不會有p-hacking的問題......嗎？

推 Celtic8879  : 第一隊好弱
推 dream52312  : 有趣
推 subarusti   : 雖然看不太懂，但有其專業給推XD
推 deangood01  : DATA那麼少
推 frank901212 : 推
※ 編輯: chih2loveu (27.52.194.174 臺灣), 07/08/2022 18:22:58
推 tengod00    : 推
→ Rattlesnake : 記者投票是憑感覺 也不是看數據的
→ Rattlesnake : 這種套用只是好玩 實用上沒什麼意義
推 richard88502: 爬資料這點稍微看了一下他的網頁，可以試試selenium
→ richard88502: 加上pandas應該可以省去很多麻煩
好！感謝！馬上來去學QQ
※ 編輯: chih2loveu (61.64.12.30 臺灣), 07/09/2022 00:15:30