編輯嚴選

SSAC 21決選論文簡述：以數據模型推估大學新秀的NBA選秀順位

透過數據模型推估大學新秀的NBA選秀順位

樣本採集與建模

1. 這份論文將數據建模的最小單位細分到幀。
2. 預期聯盟中有建立數據班的球隊，都有一套類似的球員評估系統。

1. 海量數據。作者群利用SSAC前一年論文無需安裝球場設備的影像動態捕捉技術，擷取了超過65萬個回合、300萬幀的NCAA D1電視轉播賽事動態數據。
2. 進攻端，採用擬似影片剪輯的多軌模式進行動態數據建模。
3. 防守端，建模則是對位距離為主、再搭配場上各式行為與對位球員調整權重。
4. 最大的挑戰是大學比賽場次過少，就算打滿整個賽季，球員的樣本數依然偏低。因此作者群混合了Kevin Pelton開發的大學權重系統進行校正。
5. 混合模型的產出預期結果，較原始模型或傳統的進階數據來得更穩定。

選秀價值評估

作者群很有野心，原本想做出的是新秀NBA前三年的上場時間預測模型。

1. 使用球員於大學時期的數據與中選順位去建模，不採用任何NBA數據。
2. 不使用任何人為參數，如選秀模擬榜單等，純粹靠大學產出數據判斷。
3. 使用VORP進行選秀位置分梯，依照差值，將選秀籤順位劃為以下九檔。

論文中所舉的球員模擬案例

1. 相較球員等級評等，這個系統更傾向球隊在不同級距有不同的表現權重偏好。
2. 相較球隊，球員經紀公司預期更青睞此系統，藉以拿來評估潛在簽約客戶。

1. Jayson Tatum (2017梯，選秀順位3)
   >95%落於3~5順位
2. Aaron Nesmith (2020梯，選秀順位14)
   13%落於13~17順位｜62%落於18~26順位｜25%落於27~39順位
3. Shabazz Muhammad (2013梯，選秀順位14)
   45%落於13~17順位｜32%落於18~26順位｜20%落於27~39順位

其他籃球入選論文

• 推估新秀大學三分投射是否能轉換至NBA的數學方法