文件名称：nba_shot_value_charts
文件大小：14.44MB
文件格式：ZIP
更新时间：2024-08-10 23:26:26
HTML
nba_shot_value_charts 抓取工具 nba_scrapper_w_ids.py 和 espn_scrapper.py 从 espn 和 nba.com 抓取 2014-2015 常规赛季所有投篮的所有投篮数据并合并（用于合并它们的代码在 merge.py 和 merge2 中。 py，还有 espn_nba_player_key.csv 用于匹配两者之间的玩家）。 我两个都拿了，因为 espn 的投篮数据有每次投篮的 x,y 坐标，而 nba 没有，但有后卫的数据。 接下来，我制作了一个模型，使用逻辑回归和随机森林来预测每个镜头的可能性，所有变量最初都包括在内。 在使用交叉验证和 ROC 曲线下面积作为度量调整模型后，最佳模型是使用 x,y 坐标、射击时钟剩余时间和防守距离的调整随机森林。（RF_CV 中的代码.py 文件）。 然后使用预期射门值，我能够计算出所有射门
【文件预览】：
nba_shot_value_charts-master
----merge.py(2KB)
----.gitignore(574B)
----court.png(422KB)
----Value_added_plotter.py(15KB)
----opp_adj.py(5KB)
----gettin_wiggy_wit_it.html(28.49MB)
----adj_shots_for_plots.csv(44.66MB)
----merge2.py(2KB)
----adjusted_defense.csv(87KB)
----all_nba_players1415.csv(11KB)
----d_points_added.csv(49KB)
----README.md(4KB)
----nba_scrapper_w_ids.py(2KB)
----o_points_added.csv(49KB)
----kyle_korver.png(442KB)
----RF_CV.py(2KB)
----.gitattributes(378B)
----adjusted_offense.csv(86KB)
----espn_scrapper.py(4KB)
----espn_nba_player_key.csv(34KB)