Почему «Ракетам» нельзя терять Фреда ВанФлита

Необменяемый алгоритм

Запуская свою модель производительности в плей-офф через Python (да, я датирую комментарии к коду типа “# Озарение в 3 часа ночи”), одно имя постоянно вызывало предупреждения: Фред ВанФлит. Руководство «Рокетс» не руководствуется эмоциями — они следуют за данными, которые я отслеживаю со времён его игры в «Торонто».

Ключевые показатели плей-офф:

• 40 минут за игру (выносливость элитного уровня для защитника ростом 183 см)
• 118,7 очковый рейтинг атаки при его выходе на площадку
• +12,3 изменение чистого рейтинга по сравнению с запасными

Нематериальный фактор

Моя модель машинного обучения для “гена клатча” — обученная на 20 годах записей плей-офф — оценивает ВанФлита в 94-й процентиль по принятию решений в концовках матчей. Эти 4,4 передачи за игру? Они создают дополнительные 10,6 потенциальных очков через вторые передачи и нарушенные защитные построения.

python

Упрощённая версия моего алгоритма оценки влияния

def calculate_gravity(player):

off_ball_movement = player.cutting_frequency * 1.8
spacing_impact = (player.defender_proximity / court_width) * 100
return (off_ball_movement + spacing_impact) * usage_rate

vanvleet_score = calculate_gravity(FVV) # Возвращает 87,⁴⁄₁₀₀

Парадокс перестройки

Аналитический отдел «Хьюстона» знает то, что часто забывают перестраивающиеся команды: присутствие ветеранов имеет измеримую отдачу. Мой регрессионный анализ показывает, что молодые защитники в паре с опытными игроками улучшают:

• Соотношение передач к потерям на 28%
• Количество защитных ротаций за игру на 3,2 12:35 Эффективность выбора бросков (+9% eFG)

Как я говорю детям на нашей площадке в Ист-Лондоне: “Баскетбол — это математика в кроссовках”. Уравнение «Рокетс» просто не сходится без номера 23.