因子化得分过程强度:职业篮球的空间分析
安德鲁·米勒(Andrew Miller)、卢克·博恩(Luke Bornn)、瑞安·亚当斯(Ryan Adams)、柯克·戈德斯伯里(Kirk Goldsberry)
第31届机器学习国际会议论文集,PMLR 32(1):235-2432014年。
摘要
我们开发了一种机器学习方法来表示和分析NBA职业篮球运动员中控制投篮选择的潜在空间结构。通常,NBA球员的讨论和比较都是以一种启发式的、不精确的方式进行的,这种方式依赖于对球员行为的未测量直觉。这使得很难在玩家之间进行比较,也很难做出准确的特定玩家预测。将尝试投篮数据建模为得分过程,我们创建了NBA进攻球员类型的低维表示。使用非负矩阵分解(NMF)这一无监督降维技术,我们表明低阶空间分解总结了NBA球员的投篮习惯。该算法发现的空间表示对应于NBA球员类型的直观描述,并且可以用于对其他空间效果进行建模,例如投篮准确性。
引用本文
相关材料