预测2019-2020赛季常规赛MVP

受新冠肺炎影响，2019-2020赛季NBA已经处于停摆状态，是否以及何时能复赛还不清楚。相关的各项评选如常规赛MVP、最佳阵容、最佳防守等也由于疫情暂停了。按照往年的赛程节奏，此时也应该进入常规赛收官阶段了。本文利用历史数据和本赛季常规赛已发生数据来预测本赛季（2019-2020赛季）的常规赛MVP。NBA常规赛MVP是NBA所有个人荣誉中的最高荣誉。像乔丹、科比、詹姆斯、库里等超级巨星曾经到获得过常规赛MVP。

一、数据和方法

• 数据：13-14赛季、14-15赛季、15-16赛季、16-17赛季、17-18、19-20赛季共6个赛季常规赛数据
• 方法：利用xgboost模型回归球员MVP得票率

1、xgboost可以做分类、回归、排序等任务，在R语言中通过设置objective参数进行明确

• “reg:linear” ：线性回归
• “reg:logistic” ：逻辑回归
• “binary:logistic” ：二分类的逻辑回归问题，输出为概率
• “binary:logitraw” ：二分类的逻辑回归问题，输出的结果为wTx
• “count:poisson” ：计数问题的poisson回归，输出结果为poisson分布
• “multi:softmax” ：让XGBoost采用softmax目标函数处理多分类问题，同时需要设置参数num_class（类别个数）
• “multi:softprob” ：和softmax一样，但是输出的是ndata * nclass的向量，可以将该向量reshape成ndata行nclass列的矩阵。每行数据表示样本所属于每个类别的概率
• “rank:pairwise” ：做排序任务
• 关于R语言实现xgboost模型的参数解释参考：https://blog.csdn.net/zc02051126/article/details/46711047

2、xgboost的输入变量必须是数值型类型，若是无序分类变量需要做one-hot预处理

• 对于类别有序的类别型变量，比如 age 等，当成数值型变量处理可以的。对于非类别有序的类别型变量，推荐 one-hot。但是 one-hot 会增加内存开销以及训练时间开销。
• 类别型变量在范围较小时（tqchen 给出的是[10,100]范围内）推荐使用

• 原始数据字段：

出场次数	首发次数	出场时间	投篮命中率	命中个数	出手次数
三分命中率	三分命中个数	三分出手次数	罚球命中率	罚球命中个数	罚球出手次数
篮板数	前场篮板数	后场篮板数	助攻数	抢断数	盖帽数
失误数	犯规数	得分	胜场数	负场数	mvp得票率*

 

• 本文应用数据集：https://mp.csdn.net/console/upDetailed

二、建模与预测

1.数据预处理

（1）原始数据预处理：

• 由于本赛季并未进行完成，因此出场次数、首发次数、胜场数、负场数等受时间制约的特征需要进行标准化（此处适合用Min-Max的方式进行标准化）。因此在这里执行两个动作，一是取消首发次数、胜场数、负场数三个特征，新增首发率、出场胜率两个字段来表征，率指标可消除绝对值的时间因素影响；二是对每个赛季的出场次数特征进行标准化：

                                                                      

• 鉴于实际评选过程中，球员上赛季是否为MVP对于球员是否能选上MVP影响重大，投票者会有审美疲倦或更苛刻的要求，“连任MVP要求是更高的”。因此增加一个分类特征：上赛季是否MVP。
• NBA会分东西部赛区，且东西部的竞争格局有较大差异，“西强东弱”一直起来是一个趋势，投票者在投票时也会着重考虑东西部因素，因此增加一个分类特征：球员赛区。
• 处理完后的直接进模型的特征：

出场次数归一	首发率	出场时间	投篮命中率	命中个数	出手次数
三分命中率	三分命中个数	三分出手次数	罚球命中率	罚球命中个数	罚球出手次数
篮板数	前场篮板数	后场篮板数	助攻数	抢断数	盖帽数
失误数	犯规数	得分	出场胜率	上赛季是否MVP	球员赛区
mvp得票率*

（2）模型数据预处理：

• 有些中锋，或者出场时间较短的球员，其赛季数据中容易出现“命中率”类数据为缺失NA的情况，这种情况下根据实际意义可定义为0（例一个从未投出过三分球的球员，我们认为其三分命中率为0）。原始数据框中所有的NA数据都替换为0。

• xgboost仅适用于数值型向量，因此在训练模型前需要对数据进行相应的转化预处理操作。另外，为了进一步提升运算效率，xgboost定义了独有的数据类型gb.DMatrix，方便对数据进行数值化和稀疏化处理。

mvpdata <- read.csv("mvpdata.csv")
mvpdata_13_17 <- mvpdata[which(mvpdata$season != "17-18" & mvpdata$season != "19-20"),] #13-14 ~ 16-17四个赛季为训练集
mvpdata_17_18 <- mvpdata[which(mvpdata$season == "17-18"),] #17-18赛季为测试集
train <- mvpdata_13_17[,5:29]
train[is.na(train)] <- 0 # NA替换为0
test <- mvpdata_17_18[,5:29]
test[is.na(test)] <- 0 # NA替换为0
library("xgboost")
library("Matrix")
train_matrix <- sparse.model.matrix(mvp_vote_rate ~ .-1, data = train)
test_matrix <- sparse.model.matrix(mvp_vote_rate ~ .-1, data = test)
train_label <- train[,25]
test_label <- test[,25]
train_final <- list(data=train_matrix,label=train_label) 
test_final <- list(data=test_matrix,label=test_label)
dtrain <- xgb.DMatrix(data = train_final$data, label = train_final$label) 
dtest <- xgb.DMatrix(data = test_final$data, label = test_final$label)

2.建模与评估

（1）训练模型及效果检验

• 利用13-14、14-15、15-16、16-17四个赛季的数据作为训练集，来预测17-18赛季的MVP（17-18赛季数据作为测试集）。
• 对球员MVP得票率影响最大的6个特征分别是：得分（53%）、抢断（12%）、命中数（10%）、出场胜率（9%）、助攻（5%）、出场时间（3%）。

Feature	Gain	Cover	Frequency	Importance
scores	0.534635654	0.675401362	0.16363636	0.534635654
steals	0.119284767	0.020965539	0.16363636	0.119284767
shots_made	0.100905008	0.237937718	0.03636364	0.100905008
wins_rate	0.092871839	0.017824246	0.14545455	0.092871839
assists	0.04828858	0.012322278	0.10909091	0.04828858
appearances_time	0.025624747	0.004365649	0.03636364	0.025624747

• 本次模型的MAE=0.00117；模型预测得票率前十准确率为80%；模型预测的MVP为詹姆斯哈登，与实际情况一致。
• 采用交叉验证，即利用其中4年的数据预测另外一年的MVP得票率，5年的MVP预测全部准确！本部分代码省略。

xgb <- xgboost(data = dtrain,max_depth=6, eta=0.5,  objective='reg:logistic', nround=25) #模型训练
importance <- xgb.importance(train_matrix@Dimnames[[2]], model = xgb)  
head(importance)
xgb.ggplot.importance(importance) #各特征重要性贡献
pre_xgb = predict(xgb,newdata = dtest) #测试集效果检验
pre_xgb
mae <- sum(abs(pre_xgb-test_label))/length(test_label) #由于真实值含有大量的0值，因此用MAE来进行模型评估，MAE=0.00117
mvpdata_17_18["pre_xgb"] <- pre_xgb
head(mvpdata_17_18[order(-mvpdata_17_18$mvp_vote_rate),][c("player_name","mvp_vote_rate")],10) #实际得票前十
head(mvpdata_17_18[order(-mvpdata_17_18$pre_xgb),][c("player_name","pre_xgb")],10) #模型得票前十

得票率排名	实际情况		模型预测
	球员	得票率	球员	得票率
1	詹姆斯-哈登	36.75%	詹姆斯-哈登	39.17%
2	勒布朗-詹姆斯	28.10%	勒布朗-詹姆斯	14.67%
3	安东尼-戴维斯	16.95%	斯蒂芬-库里	7.47%
4	达米安-利拉德	7.88%	安东尼-戴维斯	6.16%
5	拉塞尔-威斯布鲁克	2.89%	拉塞尔-威斯布鲁克	5.56%
6	扬尼斯-阿德托昆博	2.86%	凯文-杜兰特	3.47%
7	凯文-杜兰特	2.51%	扬尼斯-阿德托昆博	3.02%
8	德玛尔-德罗赞	1.22%	德马库斯-考辛斯	1.64%
9	拉玛库斯-阿尔德里奇	0.23%	凯里-欧文	1.38%
10	斯蒂芬-库里	0.19%	达米安-利拉德	0.52%

（2）模型应用实际预测

• 利用13-14赛季~17-18赛季5个赛季的数据来预测19-20赛季的常规赛MVP。
• 本次预测结果2019-2020赛季常规赛MVP为詹姆斯-哈登，其得票率为18.96%；得票率前6分别为：詹姆斯-哈登、勒布朗-詹姆斯、安东尼-戴维斯、拉塞尔-维斯布鲁克、扬尼斯-阿德托昆博、科怀-伦纳德。

mvpdata_13_18 <- mvpdata[which(mvpdata$season != "19-20"),]
train2 <- mvpdata_13_18[,5:29]
train2[is.na(train2)] <- 0 # NA替换为0
train_matrix2 <- sparse.model.matrix(mvp_vote_rate ~ .-1, data = train2)
train_label2 <- train2[,25]
train_final2 <- list(data=train_matrix2,label=train_label2)
dtrain2 <- xgb.DMatrix(data = train_final2$data, label = train_final2$label)  

mvpdata_19_20 <- mvpdata[which(mvpdata$season == "19-20"),]
pred <- mvpdata_19_20[,5:29]
pred[is.na(pred)] <- 0 # NA替换为0
pred_matrix <- sparse.model.matrix(mvp_vote_rate ~ .-1, data = pred)
pred_label <- pred[,25]
pred_final <- list(data=pred_matrix,label=pred_label)
dpred <- xgb.DMatrix(data = pred_final$data, label = pred_final$label) 

xgb2 <- xgboost(data = dtrain2,max_depth=6, eta=0.5,  objective='reg:logistic', nround=25)
pre_xgb2 = predict(xgb2,newdata = dpred)
mvpdata_19_20["pre_xgb2"] <- pre_xgb2
write.table(mvpdata_19_20,"mvppredresult.csv")

三、结论与评价

• 本次预测使用xgboost回归模型，通过数据预处理及特征工程建设，最终选取了关键的24个特征作为输入变量。模型效果由以下3点来说明：

          （1）由于模型实际值0较多，因此选取MAE指标来进行评估，MAE=0.00117。
          （2）采用交叉验证的方式，5个赛季的常规赛MVP均预测准确！
          （3）得票率前十预测的准确率超过80%。

• 预测2019-2020年的常规赛MVP为詹姆斯-哈登，其得票率为18.96%，紧随其后的球员为勒布朗-詹姆斯、安东尼-戴维斯、拉塞尔-维斯布鲁克、扬尼斯-阿德托昆博、科怀-伦纳德。虽然我们有可能永远无法验证本次预测是否准确（NBA停摆，本赛季的MVP评选可能取消），但是至少这是对联盟500多位球员本赛季表现的一个客观评估。
• 最后说一下不足，本次预测选取了超级客观的24个特征，都是实实在在的赛场数据。但是在实际的评选过程中需要考虑的主观因素还有很多，如：球员的招黑程度/舆论风向，是否抱团组成三巨头，是否加入了一个已经具有夺冠实力的球队等；球员打球是否劲爆/飘逸，具有观赏性，狂造犯规骗罚球假摔大家都不喜欢，努力偏执场场绝杀肯定占优势；球员赛场外的表现，领导力、慈善等等。
• 完。

 

 

 

---

补充几行代码参考：

本文用的是一个回归任务，但是xgboost做分类的情况非常多，分类任务的评估（ROC、AUC）：

pre_xgb = round(predict(xgb,newdata = dtest))
table(test_label,pre_xgb,dnn=c("true","pre"))

#ROC曲线
xgboost_roc <- roc(test_label,as.numeric(pre_xgb))
plot(xgboost_roc, print.auc=TRUE, auc.polygon=TRUE,grid=c(0.1, 0.2),grid.col=c("green","red"),max.auc.polygon=TRUE,auc.polygon.col="skyblue",print.thres=TRUE,main='ROC curve')