篮球高阶数据算法公式_篮球高阶数据算法

1.篮球BT100是什么意思

2.篮球比赛正负值什么意思

3.求解NBA里助攻的算法，要完整的解释啊~

4.决策树的原理及算法

篮球BT100是什么意思

篮球BT100是一种计分系统，用于衡量篮球教练和球员的技术水平。BT代表Basketball Test，100代表满分。该测试包括一系列的运动项目和技能要求，如跑步、灵活性、下蹲、水平跳跃等。测试者根据完成项目所需的时间和表现的质量获得分数。通常，测试结果会被用来评估球员的体能和技能，以帮助教练制定训练计划和指导球员的个人训练目标。

进行篮球BT100测试需要一个篮球场地、计时器、量原器和一个记录表格。运动员需要完成一系列不同的任务，包括五分钟的跑步测试，四度靠墙坐测试，5-10-5换向测试和垂直跳测试。完成测试后，每个测试的时间和数据将被记录下来，然后通过相应的算法，转换为最终的分数。在测试完成后，教练可以根据分数，制定个性化的训练计划，以帮助球员提高身体素质和技术水平。

篮球BT100测试可以帮助教练和球员发现弱点和提高自己的素质。测试结果可以让球员清楚地了解到自己的水平和能力，了解自己身体机能的状况，针对性地制定个人训练计划，提高身体素质和比赛技巧。此外，对于教练来说，篮球BT100测试也是一个有效的工具，可以帮助教练评估球员的身体素质和技术能力，制定更加精细化的训练计划，扩大球员的能力范围。总之，篮球BT100测试的重要性在于帮助球员和教练发现问题并提高球员的整体实力。

篮球比赛正负值什么意思

篮球比赛正负值的意思是球员在场上时，球队的净胜分/净负分，有净胜分时为正，净负分为负。

这个数据一般用来评估一位球员对比赛的影响力。比如一个球员上场了30分钟，正负值为10，这意味着他在场的30分钟里，球队净胜了对手10分。比如说一名主力球员个人发挥出色，但是由于球队惨败，他的正负值就会很低。

与之相反，有时一名球员打得并不好，但球队取得了大胜，他的正负值也会很高。为了弥补这一传统数据的不同，ESPN推出了“真实正负值”这一数据，也就是通过建立数据模型、调整算法，力图更真实地反映球员对比赛的影响力。

真实正负值就是净胜分贡献，这个是根据在场同队球员百回合数据计算的，就是净胜分贡献。这个数据相对正负值的优势在于，收集的回合数多，降低队友影响，计算了队友的数据，按贡献比计算。但是这个数据无法反应球员能力，输分的时候不管你数据多好，还是负的。

篮球比赛时间以及决胜期：

根据FIBA的规则，一场篮球比赛是由4节组成，每节10分钟。上下半场之间休息15分钟，节与节之间休息2分钟。同时，在比赛预定开始之前，应该有20分钟的比赛休息时间。如果在第4节比赛时间终了时比分相等，为打破平局，需要一个或多个5分钟的决胜期来继续比赛。

在跳球中，当球离开主裁判员的手时第1节开始。除第一节跳球外，每一节的开始，当执行轮换球权掷球入界的队员。传出的球触及一名场上队员或被场上队员合法触及时。当结束比赛时间的比赛计时钟的信号响时，一节、决胜期或比赛应结束。

此外，如果某一队在比赛场地上准备比赛的队员不足5名，比赛不能开始。同样的，如果一队在比赛中场上人数少于3名，比赛即宣告结束。半时间的比赛休息期间应为15分钟。一次比赛休息期间开始；比赛预定的开始之前20分钟。

求解NBA里助攻的算法，要完整的解释啊~

篮球中的助攻（Assists） 助攻在篮球的笼统定义是通过传递帮助己方队友完成得分。NBA对于球场上的助攻表现以及对于助攻技术统计均有非常细致的规定。 在助攻方面，定义为：当球处于活球阶段，通过持球球员对于球的传递，帮助第一位触球的己方球员完成直接的得分的行为。 这个定义的首要判断要点为助攻的时间界定为活球阶段，概念为该球从持球球员手中离开的时间，赛场时钟是在运行的。这个要点规定了助攻的最起码的范围：助攻球员是在界内的。而假设一名球员边线外发球，接到球的队友直接得分的情况出现，发球球员不计算助攻次数，理由是时钟的运动是从线内首位触球球员触球时点开始，而边线外发球球员触球时候时钟静止，因此助攻的数据统计无效； 第二个判断助攻的关键在于该球的传递帮助队友直接得分，这个直接得分包含三大定义： 其一，得分球员从哪一名球员手中得到球，传球球员计算助攻而不计算其他参与传递的球员； 其二，直接得分定义为得分球员获得球后的系列得分动作，解释为因为该球而获得得分机会，而不包含接球受到犯规后的罚球得分； 其三，直接得分指的是指的投篮或者上篮得分，而不包括得分球员拿到篮板后的二次进攻； 在NBA而言，有着层出不穷的助攻高手，但是，就篮球的整体情况而言，助攻并不代表球员会组织比赛，而如何看待球员的助攻水平层次呢？ 篮球是整体运动，助攻无法单一看待，最低限度，助攻数字应该与球员触球时间以及失误数字挂钩来看，组织后卫是全队触球时间最长的球员，担负着判断整体阵形是否适合进攻方案的责任，这样的球员的大局观要求很高，助攻数字大多位列全队首位，而将助攻数字除以失误数字得出的比例也就标志着球员助攻的质量高低，可想而知，每3次助攻出现1次失误的球员和每1.5次助攻便会出现1次失误的球员水平自然不可同日而语。 而判断助攻失误比的具体情况分析还要参照球队的战术体系来看：使用速度型战术的队伍因为内线力量通常不是很强，用速度拖跨对手的要求很高，通常要求组织后卫拿到球后第一时间判断前场队友位置，并且尽可能的在防守方落位之前完成进攻的第一次传递。这样就注定了长距离的跨场传递出现的概率较一般球队会高很多，而长距离传递无可避免的会在失误数字上同样上升，所以，这类后卫的失误数字稍高可以接纳；而另外一类比较注重阵地进攻的队伍，进攻效率比较看重，要求组织后卫在穿插倒手中寻找队友的得分位置，这就更注重效率，因为NBA的防守在阵地战中当真会有空位的机会并不多见，所以一旦寻找到空位判断是否值得传递的能力尤其重要，大量浪费机会被视为组织后卫不合格的一种表现。 具体判断球员组织水平高低除了数据以外，还要看的是球员现实的球场表现，顶级后卫与一流后卫的数据统计上相差的也许并不明显，而顶级后卫作的是当其传出球之后，队友发现跟球走会找到自己的最佳得分位置，一流后卫则是更有效率的保障队友出现空位后的第一时间传递到其手中。这就是两者指挥球队最大的不同点，前者制造并且引导进攻机会，后者制造并且寻找进攻机会，前者可以盘活一支弱旅，而后者面对弱旅数据会有波动。 助攻位置的球员是全场的进攻发动机，也是全队的灵魂，现役球员中符合顶级后卫标准的屈指可数，不过，精彩的助攻仍然杰出不穷，甚至于近年来还出现了类似表演的创意性助攻。可惜，新生代球员花哨的迷惑着球迷的眼睛的同时，似乎应该在怎样系统组织上多花些功夫，而不是追求如何完成某一次完美助攻。

决策树的原理及算法

决策树基本上就是把我们以前的经验总结出来。我给你准备了一个打篮球的训练集。如果我们要出门打篮球，一般会根据“天气”、“温度”、“湿度”、“刮风”这几个条件来判断，最后得到结果：去打篮球？还是不去？

上面这个图就是一棵典型的决策树。我们在做决策树的时候，会经历两个阶段：构造和剪枝。

构造就是生成一棵完整的决策树。简单来说，构造的过程就是选择什么属性作为节点的过程，那么在构造过程中，会存在三种节点：

根节点：就是树的最顶端，最开始的那个节点。在上图中，“天气”就是一个根节点；

内部节点：就是树中间的那些节点，比如说“温度”、“湿度”、“刮风”；

叶节点：就是树最底部的节点，也就是决策结果。

剪枝就是给决策树瘦身，防止过拟合。分为“预剪枝”（Pre-Pruning）和“后剪枝”（Post-Pruning）。

预剪枝是在决策树构造时就进行剪枝。方法是在构造的过程中对节点进行评估，如果对某个节点进行划分，在验证集中不能带来准确性的提升，那么对这个节点进行划分就没有意义，这时就会把当前节点作为叶节点，不对其进行划分。

后剪枝就是在生成决策树之后再进行剪枝，通常会从决策树的叶节点开始，逐层向上对每个节点进行评估。如果剪掉这个节点子树，与保留该节点子树在分类准确性上差别不大，或者剪掉该节点子树，能在验证集中带来准确性的提升，那么就可以把该节点子树进行剪枝。

1是欠拟合，3是过拟合，都会导致分类错误。

造成过拟合的原因之一就是因为训练集中样本量较小。如果决策树选择的属性过多，构造出来的决策树一定能够“完美”地把训练集中的样本分类，但是这样就会把训练集中一些数据的特点当成所有数据的特点，但这个特点不一定是全部数据的特点，这就使得这个决策树在真实的数据分类中出现错误，也就是模型的“泛化能力”差。

p(i|t) 代表了节点 t 为分类 i 的概率，其中 log2 为取以 2 为底的对数。这里我们不是来介绍公式的，而是说存在一种度量，它能帮我们反映出来这个信息的不确定度。当不确定性越大时，它所包含的信息量也就越大，信息熵也就越高。

ID3 算法计算的是信息增益，信息增益指的就是划分可以带来纯度的提高，信息熵的下降。它的计算公式，是父亲节点的信息熵减去所有子节点的信息熵。

公式中 D 是父亲节点，Di 是子节点，Gain(D,a) 中的 a 作为 D 节点的属性选择。

因为 ID3 在计算的时候，倾向于选择取值多的属性。为了避免这个问题，C4.5 采用信息增益率的方式来选择属性。信息增益率 = 信息增益 / 属性熵，具体的计算公式这里省略。

当属性有很多值的时候，相当于被划分成了许多份，虽然信息增益变大了，但是对于 C4.5 来说，属性熵也会变大，所以整体的信息增益率并不大。

ID3 构造决策树的时候，容易产生过拟合的情况。在 C4.5 中，会在决策树构造之后采用悲观剪枝（PEP），这样可以提升决策树的泛化能力。

悲观剪枝是后剪枝技术中的一种，通过递归估算每个内部节点的分类错误率，比较剪枝前后这个节点的分类错误率来决定是否对其进行剪枝。这种剪枝方法不再需要一个单独的测试数据集。

C4.5 可以处理连续属性的情况，对连续的属性进行离散化的处理。比如打篮球存在的“湿度”属性，不按照“高、中”划分，而是按照湿度值进行计算，那么湿度取什么值都有可能。该怎么选择这个阈值呢，C4.5 选择具有最高信息增益的划分所对应的阈值。

针对数据集不完整的情况，C4.5 也可以进行处理。

暂无

请你用下面的例子来模拟下决策树的流程，假设好苹果的数据如下，请用 ID3 算法来给出好苹果的决策树。

「红」的信息增益为：1「大」的信息增益为：0

因此选择「红」的作为根节点，「大」没有用，剪枝。

数据分析实战45讲.17 丨决策树（上）：要不要去打篮球？决策树来告诉你