Sono stato introdotto al daily fantasy sports (DFS) come quasi tutti – spot fuoco rapido mi bombardano sulla televisione sportsball. Fantasy sports non era un concetto nuovo per me, sono stato un giocatore dal 1998. Non riesco nemmeno a cominciare a descrivere le innumerevoli ore che ho trascorso meticolosamente preparando progetto di guide per girarrosto baseball, basket, e il mio preferito, il calcio.
All’inizio mi sono divertito a giocare. Uno dei miei modi preferiti per pensare a DFS è come affittare la tua squadra preferita per un giorno. Siamo onesti, le partite di calcio possono essere solo brutali da guardare se non fai il tifo per la tua squadra preferita. Vuoi delle prove? Prova a guardare un po ‘ di football canadese. Vi garantisco che non durano più di 5 minuti se si vive a sud del Saskatchewan. Così, DFS mi ha dato un altro modo per passare attraverso la Domenica con più divertimento.
Le statistiche bayesiane sono le mie bae
Credo che fosse intorno alla metà della scorsa stagione calcistica quando le cose finalmente hanno iniziato a fare clic nella mia testa. In primo luogo, lo scandalo in cui informazioni privilegiate ha aiutato un dipendente FanDuel vincere un torneo DraftKings. Avrei dovuto saperlo prima, ma posso avere una testa spessa-conoscere la percentuale che un giocatore viene scelto importa. Perché? Quindi puoi selezionare qualcuno che non è loro; ti distingue dal campo.
Qualche tempo dopo, ho letto un sito web davvero interessante che delinea la distribuzione gamma e la sua bella vestibilità con i dati di fantacalcio. Questo è dove le cose hanno davvero iniziato a fare clic per me. Così armato di un database di dati dei giocatori dal 2003 e il mio fidato R, sono andato a lavorare.
Si scopre che quando si adotta un approccio bayesiano, il che significa che si utilizzano i dati derivati dalle settimane precedenti per aiutare a fare previsioni per le settimane future, è possibile ricavare matematicamente curve piacevoli che aiutano a soddisfare i dati e fare previsioni. È come andare in palestra: più ci si allena, più si possono fare previsioni ragionevoli di fitness futuro relativo.
Analisi bayesiana significa fare ipotesi basate su risultati precedenti. Una volta che hai alcuni risultati precedenti si adattano curve molto belle a tali risultati per fare previsioni sui risultati futuri. Una volta che un risultato futuro ha avuto luogo è ora un risultato passato, e la bella curva di montaggio viene regolata per riflettere le nuove informazioni.
Fidati di me, c’è un sacco di matematica dietro questo che farebbe girare la testa. Forse punt che per un futuro post sul blog.
Tuttavia; per ora, vorrei fare un caso per la distribuzione Gamma come una misura davvero bella per prevedere la coerenza nelle prestazioni di fantacalcio dei giocatori. Ogni grafico e analisi qui sotto è il mio.
Aaron Rodgers
Considera il caso di Aaron Rodgers. Di seguito è riportato un grafico di ogni prestazione Aaron Rodgers fantasia su un periodo di tempo di sette anni. Le barre rappresentano la percentuale di volte che segna una certa quantità di punti. La linea blu tratteggiata è la sua distribuzione Gamma che modella i suoi dati.
Così, si può vedere dal bar più alto, segna 25 punti in circa l’otto per cento dei suoi giochi. Abbastanza impressionante!
Ciò che è più impressionante, tuttavia, è la sua analisi della curva Gamma. Il grafico qui sotto mette in evidenza quantili di Aaron Rodger. Il rosso è l’intervallo quantile 0-25, il giallo il quantile 25-50, il verde il quantile 50-75. Pensate a questi in termini di aspettative. Il giallo è una prestazione media, rosso sotto la media, verde sopra la media.
Questo set di dati è ora considerato il nostro set di allenamento. Possiamo usare questo per fare una previsione della prossima performance effettiva.
Vuoi indovinare quanti punti di fantasia Aaron Rodgers ha segnato Settimana 1 l’anno scorso?
Ha segnato 25 punti. Questo lo mette abbastanza vicino al suo set di formazione media dei dati e saldamente nella zona verde. Ha avuto una performance superiore alla media per se stesso, ma non proprio il suo migliore di sempre. In un modello bayesiano, prendiamo queste informazioni, le aggiungiamo al nostro set di allenamento e le usiamo per fare una previsione sulla settimana 2.
Esempi estremi
Solo per divertimento, cosa succede se Aaron Rodgers ha segnato zero punti nella settimana 1 contro i Bears? Il che – ammettiamolo-sarebbe stato estremamente improbabile considerando che era contro gli Orsi. Se applichiamo questo ai nostri dati di allenamento, applichiamo una pressione al ribasso sulla distribuzione gamma, alterando così i suoi quantili per la prossima settimana. In sostanza, “smush” lungo la curva a sinistra per regolare le prestazioni putride:
Che dire di un gioco fantastico? Dire Aaron Rodgers punteggi 100 punti. Hai indovinato, applichiamo una pressione verso l’alto sulla curva a destra come segue:
Cosa significa tutto questo?
Significa che questo è l’inizio di quello che è un fantastico modello predittivo. Ha i suoi limiti però in termini di precisione settimana per settimana, che è qualcosa che vorrei delineare nei futuri post a venire. Ecco un’anteprima di quanto è buono:
Vedi quella media sotto 1? Significa che sto ottenendo più o meno entro 1 punto in media di una performance effettiva settimana per settimana!
Cosa ne pensi Steem? Quanto sopra rappresenta il mio primo post sul blog in quella che spero di essere una serie di post in più parti nel mio viaggio attraverso algoritmi predittivi fantasy che non vedo l’ora di lanciare quest’anno. Tutte le risposte che avete per me sarebbe apprezzato!
# writing # blog # fantasyfootball # math # bayesian # analysis # steemit # sports # nfl # statistics # steem