8. 변수 제거법으로 3가지 경우를 나누어서 모델링
How to solve the problem?
1 모듞 Feature를 사용한 모델로 예측
2 PTS(평균 득점)만 사용한 모델로 예측
3 중요한 Feature로만 선택한 모델로 예측
김 기 표
9. 1. 모듞 Feature를 사용한 모델로 예측 (독립변수 12개)
How to solve the problem? 김 기 표
10. 1. 모듞 Feature를 사용한 모델로 예측 (독립변수 12개)
How to solve the problem?
18
김 기 표
11. 2. PTS (경기당 평균 득점)만 사용한 모델로 예측 (독립변수 1개)
김 기 표How to solve the problem?
12. 15
김 기 표
2. PTS (경기당 평균 득점)만 사용한 모델로 예측 (독립변수 1개)
How to solve the problem?
13. 3. 중요한 Feature로만 선택한 모델로 예측 (독립변수 6개)
How to solve the problem?
중요한 feature는?
PTS: 경기당 평균 득점
AGE: 나이
REB: 리바운드
W_PCT: 승률
AST: 어시스트
FG3_PCT: 3점슛 성공률
김 기 표
14. How to solve the problem?
18
3. 중요한 Feature로만 선택한 모델로 예측 (독립변수 6개)
김 기 표
16. 분석 결과
활용가치?
저평가 되어 있는 선수들을 한눈에 볼 수 있다.
36
3.7
5.6
16.3
33.3
3.3
11.5
26.9
34.8
4.1
11
16.5
45.4
6.7
5.4
30.1
3점슛 성공률(%)
어시스트(개)
리바운드(개)
경기당 득점률(점)
Stephen Curry
Pau Gasol
DeMarcus Cousins
Top3 Player
김 기 표
18. 어려웠던 점
더 많은 feature들이 있었다면 성능 향상 예상
: 선수들 부상 여부, 중요 순간 활약도, 기록되지 않은 공헌도
전처리 과정
: 물가 상승의 영향 줄이기 위한 과정 => 매년 평균값 이용
: 어떤 변수들을 사용해야 하는지 찾는 과정
개선점
김 기 표