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

BibTeX公司
@会议记录{pmlr-v32-miller14，title={因子化得分过程强度：职业篮球的空间分析}，author={Miller、Andrew和Bornn、Luke和Adams、Ryan和Goldsberry、Kirk}，booktitle={第31届机器学习国际会议论文集}，页数={235--243}，年份={2014}，editor={Xing，Eric P.和Jebara，Tony}，体积＝{32}，数字={1}，series={机器学习研究论文集}，address={中国北京}，月份＝{6月22-24日}，publisher={PMLR}，pdf={http://proceedings.mlr.press/v32/miller14.pdf},url={https://proceedings.mlr.press/v32/miller14.html},抽象={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球员以启发式、不精确的方式进行讨论和比较，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，并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，并可用于建模其他空间效果，例如射击精度。}}
尾注
%0会议论文%T因子化得分过程强度：职业篮球的空间分析%安德鲁·米勒%卢克·博恩%瑞安·亚当斯%柯克·戈德斯伯里%第31届机器学习国际会议论文集%C机器学习研究进展%2014年D月%E埃里克·P·星%E托尼·杰巴拉%F pmlr-v32-miller14型%我PMLR%第235页至第243页%U型https://proceedings.mlr.press/v32/miller14.html%第32版%编号1%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，并可用于建模其他空间效果，例如射击精度。
RIS公司
TY-纸张TI因子分解的点过程强度：职业篮球的空间分析澳大利亚-安德鲁·米勒澳大利亚-卢克·博恩澳大利亚-瑞安·亚当斯澳大利亚-柯克·戈德贝里BT-第31届机器学习国际会议论文集DA-2014/01/27ED-Eric P.XingED-托尼·杰巴拉ID-pmlr-v32-miller14PB-PMLRDP-机器学习研究进展VL-32IS-1标准SP-235型欧洲药典-243第一层-http://proceedings.mlr.press/v32/miller14.pdfUR-（欧元）https://proceedings.mlr.press/v32/miller14.htmlAB-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，并可用于建模其他空间效果，例如射击精度。急诊室-
亚太地区
Miller，A.、Bornn，L.、Adams，R.和Goldsberry，K.（2014）。因子化得分过程强度：职业篮球的空间分析。第31届机器学习国际会议论文集，英寸机器学习研究进展32（1）：235-243可从https://proceedings.mlr.press/v32/miller14.html。

相关材料