Desempenho individual no college basketball e sucesso profissional na National Basketball Association : uma abordagem de Machine Learning

Abstract

Este trabalho tem como objetivo avaliar o poder preditivo de estatísticas do basquetebol colegial para o sucesso na NBA utilizando os jogadores selecionados nos drafts das temporadas de 2010 à 2017. O objetivo é identificar quais variáveis contribuem de forma positiva/negativa para o Value Over Replacement Player (VORP) de um atleta de forma a estabelecermos uma relação que nos auxilie a detectar uma nova estrela do basquetebol. Para analisar o banco de dados deste trabalho foram aplicadas técnicas de redução de dimensionalidade, como a análise de componentes principais (PCA). No intuito de avaliar a capacidade preditiva das variáveis selecionadas, foram utilizadas as técnicas de regressão linear múltipla e redes neurais artificiais. Os resultados mostram que embora não possuímos a capacidade de distinguir uma nova estrela apenas utilizando as estatísticas colegiais, as técnicas de aprendizagem de máquina se mostram como ferramenta auxiliar para melhoria do ordenamento do draft.

This work aims to assess the predictive power of college basketball statistics with regards to success in the NBA using players drafted between 2010 and 2017 NBA seasons. The purpose of this study is to identify which variables contribute positively/negatively to the Value Over Replacement Player (VORP) of an athlete in order to establish a relationship that helps us predict a new basketball star. In order to analyze the database of this study, dimensionality reduction techniques were applied, such as principal component analysis (PCA). To evaluate the predictive power of the selected variables, multiple linear regression and artificial neural networks were used. The results show that although we do not have the ability to distinguish a new star using only college basketball statistics, machine learning techniques are shown to be a helpful tool for improving the draft order selection.