文件名称：颜色分类leetcode-NBA-Shot-Analysis:可视化以更好地了解NBA投篮倾向和效率以及预测投篮结果的分类模型
文件大小：7.79MB
文件格式：ZIP
更新时间：2024-07-26 17:21:33
系统开源
颜色分类leetcode NBA投篮分析 目标 建立分类模型预测NBA投篮是否进场，并创建可视化，帮助总经理、教练和球员识别投篮模式，消除不良投篮，优化策略，提高投篮效率。 ETL 我从三个来源收集了我的数据： 从 stats.nba.com 抓取的拍摄位置数据（有关更多详细信息，请参阅我的） 玩家追踪数据来自 防守数据来自 由于 NBA 在 2016 赛季中期停止提供运球次数和后卫距离等跟踪数据，因此我将项目重点放在了 2014-15 赛季。 我收集了超过 200,000 个镜头的数据，其特征包括但不限于： 射击距离、(x,y) 坐标和射击区 触球时间和运球次数 最近防守者的姓名和距离 游戏上下文统计信息，例如剩余的投篮时间、周期、游戏时钟 投篮类型（跳投、扣篮等） 我想为每次投篮添加更多背景信息，因此我为每个防守者（盖帽百分比、防守胜利份额/48、防守框得分加减）和球队（防守评分）添加了高级防守统计数据。 我收集的数据有两个不同的区域细分，一个详细说明了球场的方向区域（左、右或中心），另一个详细说明了更精确的位置（油漆、角落 3 等）。 我将这些组合成 15 个区域，如下所示，对于
【文件预览】：
NBA-Shot-Analysis-master
----plotly_viz.py(11KB)
----images()
--------gb cm.png(129KB)
--------fg by zone.png(205KB)
--------shot_zones.png(1.59MB)
--------team heatmap.png(335KB)
--------cm logreg.png(122KB)
--------shot_dist.png(181KB)
--------harden heatmap.png(689KB)
--------gb feats.png(140KB)
--------nn cm.png(236KB)
--------sc_shot_chart.png(602KB)
--------model results.png(75KB)
--------harden recs.png(48KB)
--------all_roc_curves.png(408KB)
--------rockets.png(924KB)
----Data-Exploration.ipynb(69KB)
----presentation.py(20KB)
----ML-models.ipynb(1.32MB)
----shallow_ML_models.py(14KB)
----nba_shots_scraper.py(3KB)
----plotly_graphs.ipynb(11.11MB)
----visualizations.ipynb(484KB)
----neural_net.py(5KB)
----new_ETL.py(16KB)
----shot_chart_viz.py(13KB)
----README.md(10KB)