Prognóza priemerných bodov hráčov NBA 2025/26 lineárnym regresným modelom
Autor
Bc. Richard Vladyka (v spolupráci s claude.ai)
Publikované
20. novembra 2026
1 Cieľ
Pomocou lineárnej regresie predpovedáme priemerný počet bodov na zápas hráčov, ktorých sme nepoužili na odhad koeficientov. Údaje: NBA Player Stats – Season 25/26 (Kaggle, nba_dailyleaders_full.csv). Dokument je samostatný a nepotrebuje pamat.Rdata.
VarovanieMetodická poznámka
Vzorku delíme po hráčoch (nie po zápasoch) a pred odhadom modelu. Špecifikáciu pts ~ mp + p3fga volíme vecne, nie podľa testovacích výsledkov. Ak ste však premenné vyberali už v predchádzajúcich cvičeniach na celom súbore, testovacích hráčov ste poznali (data leakage), a výsledky sú preto len ilustračné.
Jeden riadok zdroja (28 716 riadkov) je výkon hráča v jednom zápase. Údaje preto zhrnieme na jeden riadok na hráča: priemery minút (mp), bodov (pts) a pokusov o trojku (p3fga) na zápas, pre hráčov s aspoň 20 zápasmi.
Prognostická chyba je \(a_i=y_i-\hat y_i\): kladná znamená podhodnotenie, záporná nadhodnotenie. Ide o predikciu pre nepozorovaných hráčov, nie o časovú prognózu.
3.1 Rozdelenie vzorky a odhad
80 % hráčov použijeme na odhad, 20 % na testovanie.
Jedna minúta navyše sa pri rovnakom počte pokusov o trojku spája s rozdielom približne 0,600 bodu na zápas, jeden pokus o trojku navyše s rozdielom približne 0,529 bodu.
3.2 Prognózy pre testovacích hráčov
Zobraziť kód
testovacia$Prognoza <-as.numeric(predict(model7, newdata = testovacia))testovacia$Chyba <- testovacia$pts - testovacia$Prognozatestovacia$Absolutna_chyba <-abs(testovacia$Chyba)testovacia |>select(player, pts, mp, p3fga, Prognoza, Chyba) |>head(8) |>tabulka(digits =2,col.names =c("Hráč", "Skutočnosť", "Minúty", "Pokusy o trojku","Prognóza", "Chyba"),caption ="Prvých osem testovacích hráčov (body na zápas)")
Prvých osem testovacích hráčov (body na zápas)
Hráč
Skutočnosť
Minúty
Pokusy o trojku
Prognóza
Chyba
5
Aaron Holiday
5.21
13.45
2.94
5.40
-0.19
7
Aaron Wiggins
8.08
19.09
3.58
9.12
-1.05
16
Alperen Şengün
20.36
33.71
1.78
16.95
3.41
21
Andre Jackson Jr.
2.35
8.50
1.25
1.54
0.82
24
Anfernee Simons
14.27
24.95
6.89
14.39
-0.12
29
Ariel Hukporti
2.06
8.85
0.08
1.13
0.93
32
Austin Reaves
22.93
34.78
6.37
20.01
2.92
37
Ben Sheppard
7.06
21.39
3.57
10.50
-3.44
3.3 Grafická kontrola
Pri dokonalej predikcii by body ležali na diagonále. Popísaní sú traja hráči s najväčšou absolútnou chybou.
Zobraziť kód
library(patchwork)lim <-range(c(testovacia$pts, testovacia$Prognoza))najvacsie <-slice_max(testovacia, Absolutna_chyba, n =3)tema <-list(theme_minimal(base_size =12),theme(plot.title =element_text(face ="bold", color ="#1d428a"),panel.grid.minor =element_blank()))g1 <-ggplot(testovacia, aes(pts, Prognoza)) +geom_abline(slope =1, intercept =0, color ="#c8102e", linewidth =1) +geom_point(color ="#1d428a", size =2.4, alpha =0.8) +geom_text(data = najvacsie, aes(label = player), vjust =-0.9, size =3, color ="grey30") +coord_equal(xlim = lim, ylim = lim) + tema +labs(title ="Skutočnosť a prognóza", x ="Skutočné body", y ="Prognózované body")g2 <-ggplot(testovacia, aes(Prognoza, Chyba)) +geom_hline(yintercept =0, color ="#c8102e", linewidth =1) +geom_point(color ="#1d428a", size =2.4, alpha =0.8) +geom_text(data = najvacsie, aes(label = player), vjust =-0.9, size =3, color ="grey30") + tema +labs(title ="Prognostické chyby", x ="Prognózované body", y ="Chyba (skutočnosť − prognóza)")g1 + g2
Skutočnosť vs. prognóza a prognostické chyby (testovacia vzorka)
4 Kvalita prognóz
Pre \(m\) testovacích hráčov a chyby \(a_i=y_i-\hat y_i\) počítame ukazovatele len na testovacej vzorke:
Presnosť regresie oproti jednoduchej referenčnej prognóze
Model
ME
MAE
RMSE
MAPE
Lineárna regresia
-0.738
2.189
2.704
33.242
Konštantná prognóza (priemer odhadovej vzorky)
-1.828
5.101
5.930
107.477
Model sa mýli v priemere o 2,19 bodu na zápas (MAE), typická chyba je 2,70 bodu (RMSE) a v priemere skutočné body nadhodnocuje (ME = -0,74). RMSE je o 54,4 % nižšie než pri konštantnej prognóze.
Intervaly z predict.lm() predpokladajú normálne, nezávislé a homoskedastické chyby; pri heteroskedasticite (vyššia variabilita bodov u hráčov s veľkou rolou v útoku) nemusia mať deklarované pokrytie, preto ide o didaktickú ukážku.
V predikčnom intervale leží 96,7 % testovacích hráčov. Pri malej testovacej vzorke sa to nemusí presne rovnať 95 %.
6 Záver
PoznámkaZáver
Model pts ~ mp + p3fga sa na testovacích hráčoch mýli v priemere o 2,19 bodu na zápas (RMSE 2,70), čo je oproti konštantnej prognóze 54,4 % zlepšenie. Theilov koeficient \(U_1\) je 0,126 a najväčší podiel na chybe má zložka „súbežnosť“.
Model dobre predpovedá, ale nedokazuje, že viac minút spôsobí viac bodov: tréneri dávajú viac minút hráčom, ktorí produkujú viac bodov.
7 Malé cvičenie
7.1 Alternatívny model
Odhadneme pts ~ log(mp) + p3fga na odhadovej vzorke a porovnáme ho s prvým modelom na rovnakej testovacej vzorke.
Nižšie RMSE má Model 1: pts ~ mp + p3fga. Pozor: model vybraný podľa tohto porovnania už nemožno na tých istých hráčoch nezávisle testovať. U druhého modelu dominuje zložka súbežnosť.
Predikčný interval je približne 12,2-krát širší, lebo obsahuje aj nevysvetlené individuálne rozdiely (člen \(1\) pod odmocninou).
7.3 Opakované rozdelenia (dobrovoľné)
Výsledok závisí od náhodného rozdelenia, preto postup zopakujeme pre 200 hodnôt set.seed().
Zobraziť kód
rmse_opak <-sapply(1:200, function(s) {set.seed(s) idx <-sample(seq_len(n), size =floor(0.8* n)) m <-lm(pts ~ mp + p3fga, data = udaje7[idx, ]) e <- udaje7$pts[-idx] -predict(m, newdata = udaje7[-idx, ])sqrt(mean(e^2))})ggplot(data.frame(RMSE = rmse_opak), aes(RMSE)) +geom_histogram(bins =25, fill ="#1d428a", color ="white", alpha =0.9) +geom_vline(xintercept = RMSE, color ="#c8102e", linewidth =1) + tema +labs(title ="RMSE pri opakovaných rozdeleniach",subtitle ="Červená čiara: rozdelenie so set.seed(2026)",x ="RMSE (body na zápas)", y ="Počet rozdelení")
RMSE pri 200 náhodných rozdeleniach vzorky
RMSE sa pohybuje od 2,31 do 3,72 bodu (priemer 2,91), takže jedno rozdelenie dáva len približný obraz. Spoľahlivejšie je opakované rozdeľovanie alebo krížová validácia.
Zdroj údajov: NBA Player Stats – Season 25/26, Kaggle. Použité funkcie: lm, predict.lm, sample.