A projection védelmében – fantasy biblia II.

Előző cikkemben lehet, hogy közvetett módon, de valamelyest ítélkeztem a különböző algoritmusok alapján dobott projection pontok felett. Az igazságot megvallva a projection nem ördögtől való, viszont önmagában hatalmas hibákat rejthet. Második cikkemben szeretném bemutatni, hogyan is válik használhatóvá.

A projection pontok, vagyis a gép által dobott jóslatok összeállítása rendkívül körülményes. Nyilvánvaló, hogy a különböző szervezetek és fogadóirodák miket használnak fel hozzá, csak az nem tiszta, hogy milyen mértékben és hogyan. Vannak kézenfekvő megoldások, miszerint komolyan figyelembe kell venni futók esetén a labdahordások (carry) számát, hiszen ezek 90%-ban magyarázzák a futó hozott pontjait (2015-ös év), vagy évtizedes tapasztalatokat felhasználva minimumot és maximumot kijelölni az értékeknek.

Komoly szerepet kaphat az algoritmusokban a történelmi tapasztalat. Larry Fitzgerald még mindig minőségi elkapónak számít, de vajon mi lesz vele később? Több cikk is pedzegette a visszavonulását, annak ellenére, hogy 33 éves, és egy éppen korrekt módon összerakott Cardinalsban hozza szorgosan a yardokat. Fitzgerald 32 évesen játszotta végig a 2015-ös szezont, 99 kilós versenysúllyal, meccsenként bő 9 targettel, majdnem 7 elkapással, átlag 75 yarddal, elkapásonként közel 12 yardot szerezve, két meccsenként egy TD-t hozva.

Az elmúlt 10-15 évből több játékost is hasonlíthatunk hozzá, akik ebben a korban, súlyban, hasonló statisztikákkal játszottak. Ilyen volt 2000-ben a Broncos legendás Ed McCaffrey-e, a Jacksonville-nél játszó Jimmy Smith 2000-ben és 2001-ben, a 2013-as Anquan Boldin, és persze sokan mások. Megnézve, hogy a Fitzgerald-hasonmás játékosok milyen teljesítményt nyújtottak 32 és 33 éves koruk között, képet kaphatunk arról, hogy mit várhatunk Fitzgeraldtól.

Nem sok jót. A 25 leginkább hasonló WR-szezon alapján Fitzgeraldnak kis esélye van rá, hogy javuljon a teljesítménye, vagy egyáltalán fenntartsa a tavalyit. 2000 óta a Fitzgeraldhoz hasonló elkapók közül csupán 5 alkalom volt, hogy javítottak volna a mutatóikon, egy alkalommal stagnáltak, és 19 alkalommal visszaestek. Fitzgerald javára szóljon, hogy a hozzá leginkább hasonlító játékosok releváns szezonjai inkább a javulás, vagy gyenge visszaesés körében mozogtak.

Számíthat még a csapat többi tagjának teljesítménye is (rossz O-line futásblokkolással nehéz ligaelit futónak lenni a falon keresztül futva), esetleges sérülésveszély, személyes körülmények (ha egy futó fél belemenni a kontakba, sok yardtól fog elesni, amit egy lecsúszott tackle után szerezhetne) és még sok más mutató.

Néhány mutató bevezetésével el is érkeztünk a cikkem valódi témájához: mikor használható a projection? Miért építenek erre sokan, ha ennyire rossz?

A projection lehet rosszul használható, de önmagában nem rossz. Minden fantasy-játékos célja, hogy a projection, még ha nem is pontos, legalább nagyságrendileg mutassa az eltéréseket. A projection egy becslés, mellyel a valós értéket próbáljuk egy módon megbecsülni, az eltérést pedig hibának nevezzük. Becslések esetén különböző modellek (vagyis esetünkben különböző projectionök) közötti összehasonlítást tudunk végezni az átlagos négyzetes eltéréssel (MSE). Ez a becsült és valós adatok közötti különbség négyzeteinek várható értéke, melyből a legtöbbször gyököt vonnak. Így lesz Root MSE, vagy RMSE, melynek értelme, hogy aránytalanul bünteti a nagy eltéréseket, így mutatva rá a nagyon megbízhatatlan modellekre. Egy másik, az MSE-nél talán hatásosabb mérőszám az átlagos abszolút skálahiba (MASE), mely független a vizsgált számok skálázásától, és idősoros adatokra alkalmazható.

A nagyobb oldalak adatait minimális programozási ismeretekkel tömegével lehet letölteni, de ezt szerencsére mások már megtették, így csupán rámutatnék a jelenségre, amire több, egymástól független elemző is rájött, és amit úgy hívnak, hogy wisdom of the crowd, vagyis a tömeg bölcsessége. A statisztikában is jól ismert jelenség, hogy a megfigyelések számának növelésével minőségileg jobb, de legalább kiszámíthatóbb adatokhoz jutunk – bizonyos értelemben ehhez kapcsolódik több alapvető tétel és törvény is.

A FantasyFootballAnalytics az offense pontokat felhasználva 11 honlap projection pontjait hasonlította a saját kompozit, összetett adataihoz: átlag, súlyozott átlag, robosztus átlag. Az elmúlt 4 szezont figyelembe véve az átlagolt projection mindig kisebb MASE-hibával rendelkezett, mint a honlapok külön-külön. Ezen felül a 2015-ös szezon kivételével mindben nagyobb mértékben magyarázta meg a modelljük a hozott pontokat. Ugyan szezonról-szezonra változnak a körülmények, de a kapott adatok alapján az NFL.com a középmezőny alján, az ESPN mögött kullog. Így van ez az R² esetében is, amely a modell adatokhoz való illeszkedését figyeli.

Az ESPN-t nem először rángatják meg: a Datascope Analytics csapata a 2014-es szezonban mutatta ki, hogy az ESPN az esetek 60%-ában felülbecsli a játékosok pontjait, az esetek felében több, mint 25%-kal!

Természetesen posztfüggő is a hatékonyság: a legkönnyebb az irányítók teljesítményét megjósolni, míg a legnehezebb a defensive back és a defense/special team pozíció. Ami bonyolítja a helyzetet, hogy még az irányítóknál is fel lehet fedezni olyan tendenciákat, amik miatt tévesen becsülhetnek honlapok – sok irányítónak jellemzően több passzolt yardot és TD-t jósolnak, mint a megjátszható játékosainak összesen, szisztematikusan túlértékelve ezzel irányítókat (vagy alulértékelve a csapatokat).

Akkor most mit nézzek, ha draftolok?

A sima projection nagyságrendileg be tudja lőni a játékosokat. Ha ennél pontosabb adatokat akarunk, akkor vagy megtanulunk programozni, vagy a kétes helyzetekben kézzel megnézzük az átlagokat kockás papíron. Ha csak meccsenként 1-2 pont előnyt szerzünk ezzel a módszerrel, már megérte, hiszen sok kis előnnyel fogjuk megnyerni a fantasy football rettentő mély és bonyolult játékát.