Cada temporada de la NBA, 30 equipos compiten por algo que solo uno logrará: el legado de un campeonato. Desde la clasificación de potencia hasta el cambio de fecha y lesiones en la fecha límite, los fanáticos y los analistas especulan sin cesar sobre quién elevará el Trofeo Larry O’Brien.
Pero, ¿qué pasaría si pudiéramos ir más allá de las tomas calientes y las predicciones, y usar datos y Aprendizaje automático al final de la temporada regular, pronosticar al campeón de la NBA?
En este artículo, recorreré este proceso, desde la recopilación y preparación de los datos, hasta capacitar y evaluar el modelo, y finalmente usarlo para hacer predicciones para los próximos playoffs 2024–25. En el camino, destacaré algunas de las ideas más sorprendentes que surgieron del análisis.
Todo el código y los datos utilizados están disponibles en Github.
Comprender el problema
Antes de sumergirse en la capacitación del modelo, el paso más importante en cualquier proyecto de aprendizaje automático es comprender el problema:
¿Qué pregunta estamos tratando de responder y qué datos (y modelo) pueden ayudarnos a llegar allí?
En este caso, la pregunta es simple: Quien va a ser el NBA ¿Campeón?
Una primera idea natural es enmarcar esto como un problema de clasificación: Cada equipo en cada temporada está etiquetado como Campeón o No campeón.
Pero hay una trampa. Solo hay un campeón por año (obviamente).
Entonces, si extraemos datos de las últimas 40 temporadas, tendríamos 40 ejemplos positivos … y cientos de negativos. Esa falta de muestras positivas hace que sea extremadamente difícil para un modelo aprender patrones significativos, especialmente teniendo en cuenta que ganar un título de la NBA es un evento tan raro que simplemente no tenemos suficientes datos históricos: no estamos trabajando con 20,000 temporadas. Esa escasez hace que sea extremadamente difícil para cualquier modelo de clasificación comprender realmente qué separa a los campeones del resto.
Necesitamos una forma más inteligente de enmarcar el problema.
Para ayudar al modelo a comprender lo que hace que un campeón sea útil enseñarle también lo que hace que un casi Campeón, y cómo eso difiere de un equipo que fue noqueado en la primera ronda. En otras palabras, queremos que el modelo aprenda grados de éxito En los playoffs, en lugar de un simple resultado sí/no.
Esto me llevó al concepto de Compartir campeones – La proporción de playoff gana un equipo logrado del total necesario para ganar el título.
A partir de 2003, se necesita 16 victoriaspara convertirse en un campeón de la NBA. Sin embargo, entre 1984 y 2002, la primera ronda fue una serie mejor de cinco, por lo que durante ese período el total requerido fue 15 victorias.
Un equipo que pierde en la primera ronda podría tener 0 o 1 victoria (campeón compartido = 1/16), mientras que un equipo que hace la final pero pierde puede tener 14 victorias (campeón compartido = 14/16). El campeón tiene una participación completa de 1.0.
Esto refuerza la tarea como una problema de regresión donde el modelo predice un valor continuo entre 0 y 1, que representa qué tan cerca llegó cada equipo de ganarlo todo.
En esta configuración, el equipo con el Valor predicho más alto es la elección de nuestro modelo para el campeón de la NBA.
Este es un enfoque similar al Predicción de MVPde mi artículo anterior.
Datos
El baloncesto, y la NBA en particular, es uno de los deportes más emocionantes para trabajar en ciencia de datos, gracias al volumen de estadísticas disponibles libremente. Para este proyecto, recopilé datos de Referencia de baloncesto Usando mi paquete Python Brscrapereso permite un fácil acceso a los datos de los jugadores y los equipos. Toda la recopilación de datos se realizó de acuerdo con las pautas y los límites de tarifas del sitio web.
Los datos utilizados incluyen Estadísticas a nivel de equipo , Clasificación final de la temporada regular (por ejemplo, porcentaje de victorias, siembra), así como Estadísticas a nivel de jugador para cada equipo (limitado a los jugadores que aparecieron en al menos 30 juegos) y actuación histórica de playoffsindicadores.
Sin embargo, es importante ser cauteloso cuando se trabaja con Valores en bruto y absolutos . Por ejemplo, el Puntos promedio por juego (PPG)En la temporada 2023–24 fue 114.2mientras que en 2000-01 fue 94.8– Un aumento de casi 20%.
Esto se debe a una serie de factores, pero el hecho es que el juego ha cambiado significativamente a lo largo de los años, y también las métricas se derivan de él.
Para tener en cuenta este cambio, el enfoque aquí evita el uso de estadísticas absolutas directamente, optando en su lugar para métricas normalizadas y relativas. Por ejemplo:
- En lugar del PPG de un equipo, puedes usar su clasificación en esa temporada .
- En lugar de contar cuántos jugadores promedian más de 20 más de 20 ppg, puedes considerar cuántos hay en el Top 10 en puntuación etcétera.
Esto permite que el modelo capture dominio relativoDentro de cada época, hacer que las comparaciones a través de décadas sean más significativas y, por lo tanto, permiten que la inclusión de temporadas más antiguas enriquezca el conjunto de datos.
Datos del 1984 a 2024Se utilizaron temporadas para entrenar y probar el modelo, totalizando 40 temporadas con un total de 70 variables.
Antes de sumergirse en el modelo en sí, algunos patrones interesantes surgen de un análisis exploratorio al comparar equipos de campeonato con todos los equipos de playoffs en general:
Los campeones tienden a provenir de las mejores semillas y con porcentajes ganadores más altos, como era de esperar. El equipo con el peor récord de la temporada regular para ganarlo todo en este período fue el 1994–95 Houston Rocketsdirigido por Hakeem Olajuwon, terminando 47–35 (.573) y entrando en los playoffs como solo el Décimo mejor equipo general(6to en el oeste).
Otra tendencia notable es que los campeones tienden a tener una edad promedio ligeramente más alta, lo que sugiere que la experiencia juega un papel crucial una vez que comienzan los playoffs. El equipo de campeonato más joven en la base de datos con un promedio de 26.6 años es el 1990–91 Chicago Bullsy el mayor es el 1997–98 Chicago Bullscon 31.2 años, los primeros y últimos títulos de Michael Jordan Dinasty.
Del mismo modo, los equipos con entrenadores que han estado con la franquicia más tiempo también tienden a encontrar más éxito en la postemporada.
Modelado
El modelo utilizado fue Lightgbmun algoritmo basado en árboles ampliamente reconocido como uno de los métodos más efectivos para datos tabulares, junto con otros como XGBOost. Se realizó una búsqueda en la cuadrícula para identificar los mejores hiperparámetros para este problema específico.
El rendimiento del modelo se evaluó utilizando el error cuadrado de la raíz (RMSE ) y el coeficiente de determinación (R² ).
Puedes encontrar la fórmula y la explicación de cada métrica en mi Artículo anterior de MVP.
Las temporadas utilizadas para el entrenamiento y las pruebas se seleccionaron al azar, con la restricción de Reservar las últimas tres temporadas para el set de prueba Para evaluar mejor el rendimiento del modelo en datos más recientes. Es importante destacar que todos los equipos fueron incluidos en el conjunto de datos, no solo aquellos que calificaron para los playoffs, permitiendo que el modelo aprenda patrones sin depender del conocimiento previo de la calificación de postemporada.
Resultados
Aquí podemos ver una comparación entre las “distribuciones” de las predicciones y los valores reales. Si bien es técnicamente un histograma, ya que estamos tratando con un problema de regresión, todavía funciona como una distribución visual porque los valores objetivo varían de 0 a 1. Además, también mostramos la distribución del error residual para cada predicción.
Como podemos ver, las predicciones y los valores reales siguen un patrón similar, ambos concentrados cerca de cero, ya que la mayoría de los equipos no logran un alto éxito de playoffs. Esto es más compatible con la distribución de los errores residuales, que se centra en alrededor de cero y se asemeja a una distribución normal. Esto sugiere que el modelo puede capturar y reproducir los patrones subyacentes presentes en los datos.
En términos de métricas de rendimiento, el mejor modelo logró un RMSE de 0.184 y una puntuación R² de 0.537 en el conjunto de datos de prueba.
Un enfoque efectivo para visualizar las variables clave que influyen en las predicciones del modelo es a través de Valores de formaAtechnique que proporciona una explicación razonable de cómo cada característica afecta las predicciones del modelo.
Nuevamente, se puede encontrar una explicación más profunda sobre SHAP y cómo interpretar su cuadro en Predecir el MVP de la NBA con aprendizaje automático.
Desde la tabla de Shap, surgen varias ideas importantes:
- Semillay W/l%Clasifique entre las tres características más impactantes, destacando la importancia del rendimiento del equipo en la temporada regular.
- Estadísticas a nivel de equipo como Calificación neta (NRTG) , Puntos oponentes por juego (PA/G) , Margen de victoria (mov) y Calificación ofensiva ajustada (ORTG/A) También juega un papel importante en la configuración del éxito de los playoffs.
- En el lado del jugador, las métricas avanzadas se destacan: el Número de jugadores en el top 30 para Box Plus/Minus (BPM) y Top 3 para ganar acciones por 48 minutos (WS/48) están entre los más influyentes.
Curiosamente, el modelo también captura tendencias más amplias: los equipos con una edad promedio más alta tienden a funcionar mejor en los playoffs, y una gran actuación en la postemporada anterior a menudo se correlaciona con el éxito futuro. Ambos patrones apuntan nuevamente a experienciacomo un activo valioso en la búsqueda de un campeonato.
Veamos ahora más de cerca cómo se desempeñó el modelo en Predecir los últimos tres campeones de la NBA:
El modelo predijo correctamente Dos de los últimos tres Campeones de la NBA. La única señorita fue en 2023, cuando favoreció el Milwaukee Bucks . Esa temporada, Milwaukee tuvo el mejor récord de temporada regular en 58-24 (.707), pero un lesión a Giannis Antetokounmpo lastimó su carrera de playoffs. Los Bucks fueron eliminados 4–1 en la primera ronda por el Miami Heat, quien llegó a llegar a la final, una salida de postemporada sorprendente y decepcionante para Milwaukee, quien reclamó el campeonato solo dos años antes.
2025 Predicciones de playoffs
Para los próximos playoffs de 2025, el modelo está prediciendo el Boston Celtics para ir de nuevo, con OKC y Clevelandcerca.
Dada su fuerte temporada regular (61–21, segunda semilla en el este) y el hecho de que son los campeones reinantes, tiendo a estar de acuerdo. Ellos combinan rendimiento actualcon éxito reciente de los playoffs.
Aún así, como todos sabemos, cualquier cosa puede suceder en los deportes, y solo obtendremos la respuesta real a finales de junio.
Conclusiones
Este proyecto demuestra cómo el aprendizaje automático se puede aplicar a entornos complejos y dinámicos como los deportes. Utilizando un conjunto de datos que abarca cuatro décadas de historia del baloncesto, el modelo pudo descubrir patrones significativos en lo que impulsa el éxito de los playoffs. Más allá de la predicción, herramientas como SHAP nos permitieron interpretar las decisiones del modelo y comprender mejor los factores que contribuyen al éxito de la postemporada.
Uno de los mayores desafíos en este problema es tener en cuenta lesiones. Pueden remodelar completamente el panorama de los playoffs, particularmente cuando afectan a los jugadores estrella durante los playoffs o al final de la temporada regular. Idealmente, podríamos incorporar antecedentes de lesiones y datos de disponibilidad para explicar mejor esto. Desafortunadamente, es difícil encontrar datos abiertos consistentes y estructurados sobre este asunto, especialmente en la granularidad necesaria para el modelado. Como resultado, este sigue siendo uno de los puntos ciegos del modelo: trata a todos los equipos con toda su fuerza, que a menudo no es el caso.
Si bien ningún modelo puede predecir perfectamente el caos y la imprevisibilidad de los deportes, este análisis muestra que los enfoques basados en datos pueden acercarse. A medida que se desarrollen los playoffs de 2025, será emocionante ver cómo se mantienen las predicciones, y qué sorprende el juego aún tiene en la tienda.
Siempre estoy disponible en mis canales (LinkedIn y Github).
¡Gracias por tu atención! 👏
Gabriel Speranza Pastorello