Python: schuttersanalyse van goede selectie of schutter?

Samenvatting

Python en machine learning scheiden schotkeuze van schotkwaliteit in een analyse van basketbalstatistieken.

Python en machine learning voor schuttersanalyse

Een hoog field-goal percentage laat zien hoe vaak een basketballer raak schiet. Die maat zegt echter niet hoe moeilijk de genomen schoten waren. Een speler kan vaak scoren door vooral kansrijke schoten te kiezen, terwijl een andere speler hetzelfde percentage haalt met lastigere pogingen.

Het artikel gebruikt Python en machine learning om die twee factoren uit elkaar te halen: shot selection en shot making. De analyse kijkt daarmee verder dan alleen het aantal rake schoten.

Waarom field-goal percentage alleen niet volstaat

Field-goal percentage combineert schotkeuze en schotuitvoering in één uitkomst. Daardoor blijft verborgen welk deel van de prestatie samenhangt met de gekozen positie of situatie en welk deel met het vermogen om een schot te maken.

De aanpak maakt het onderscheid tussen context en uitvoering expliciet. Dat is relevant voor analyses waarin een enkele ratio anders twee verschillende vaardigheden als één prestatie presenteert. Python fungeert daarbij als werkomgeving voor de analyse en machine learning als methode om patronen in de schoten te onderscheiden.

De bron beschrijft geen specifieke dataset, modelkeuze of uitkomst voor afzonderlijke spelers. De waarde van het artikel zit daarom vooral in de analysemethode: eerst de moeilijkheid van de pogingen meenemen, daarna pas de schotprestatie beoordelen.

Concrete takeaway voor Python-analyses

Gebruik field-goal percentage als startpunt, niet als volledige beoordeling van een schutter. Leg in een Python-analyse ook vast hoe moeilijk de schoten waren en behandel shot selection en shot making als afzonderlijke variabelen. Zo voorkom je dat een gunstige schotkeuze automatisch als uitzonderlijke schotkwaliteit wordt gelezen.