論文の概要: Lineup Regularized Adjusted Plus-Minus (L-RAPM): Basketball Lineup Ratings with Informed Priors

• arxiv url: http://arxiv.org/abs/2601.15000v1
• Date: Wed, 21 Jan 2026 13:57:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-22 21:27:50.384834
• Title: Lineup Regularized Adjusted Plus-Minus (L-RAPM): Basketball Lineup Ratings with Informed Priors
• Title（参考訳）: ラインアップ正規化調整プラスマイナス(L-RAPM):インフォームドプリミティブ付きバスケットボールラインアップレーティング
• Authors: Christos Petridis, Konstantinos Pelechrinis,
• Abstract要約: 本稿では,各ラインアップが直面する対立を抑えるレグレッションベースアプローチを提案するとともに,ラインアップを構成するプレイヤーに関する情報も活用する。 実験の結果,L-RAPMは,現在使用されているベースラインよりも予測能力が向上していることがわかった。
• 参考スコア（独自算出の注目度）: 1.4323566945483497
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Identifying combinations of players (that is, lineups) in basketball - and other sports - that perform well when they play together is one of the most important tasks in sports analytics. One of the main challenges associated with this task is the frequent substitutions that occur during a game, which results in highly sparse data. In particular, a National Basketball Association (NBA) team will use more than 600 lineups during a season, which translates to an average lineup having seen the court in approximately 25-30 possessions. Inevitably, any statistics that one collects for these lineups are going to be noisy, with low predictive value. Yet, there is no existing work (in the public at least) that addresses this problem. In this work, we propose a regression-based approach that controls for the opposition faced by each lineup, while it also utilizes information about the players making up the lineups. Our experiments show that L-RAPM provides improved predictive power than the currently used baseline, and this improvement increases as the sample size for the lineups gets smaller.
• Abstract（参考訳）: バスケットボールの選手(つまりラインナップ)と、一緒にプレーするときにうまく機能する他のスポーツの選手の組み合わせを特定することは、スポーツ分析において最も重要なタスクの1つです。 このタスクに関連する主な課題の1つは、ゲーム中に頻繁に発生する置換であり、結果として非常にスパースなデータが得られる。 特にナショナル・バスケットボール・アソシエーション(NBA)のチームは、シーズン中に600以上のラインアップを使用する。 必然的に、これらのラインアップのために収集される統計は、予測値の低いうるさいものになるだろう。 しかし、この問題に対処する既存の作業(少なくとも一般には)は存在しない。 本研究では,各ラインアップが直面する対立を制御できる回帰に基づくアプローチを提案し,また,ラインアップを構成するプレイヤーに関する情報も活用する。 実験の結果,L-RAPMは,現在使用されているベースラインよりも予測能力が向上し,ラインアップのサンプルサイズが小さくなるにつれて,この改善がもたらされることがわかった。

関連論文リスト

• Aging Decline in Basketball Career Trend Prediction Based on Machine Learning and LSTM Model [4.191372563639857]
  データセットは、NBAのベテラン選手のバスケットボールの試合データから収集された。 この仕事の貢献は、NBAの様々なタイプのキャリアトレンドを評価する他の方法よりも優れていた。
  論文  参考訳（メタデータ） (2025-09-30T06:54:22Z)
• lmgame-Bench: How Good are LLMs at Playing Games? [60.01834131847881]
  本稿では,現代の大規模言語モデル (LLM) エージェントを評価するために,人気ゲームを使用する上での大きな課題について検討する。 我々はlmgame-Benchを導入し、ゲームを信頼性評価に変換する。
  論文  参考訳（メタデータ） (2025-05-21T06:02:55Z)
• Offensive Lineup Analysis in Basketball with Clustering Players Based on Shooting Style and Offensive Role [0.9002260638342727]
  本研究の目的は,演奏スタイルの整合性がスコアリング効率に与える影響を,攻撃のみに焦点をあてて,より具体的に分析することである。 本研究では、追跡データを用いたシューティングスタイルクラスタリングと、アノテートされたプレイタイプと高度な統計に基づく攻撃的なロールクラスタリングの2つの方法を用いる。 これら2つのクラスタリングから得られたラインアップ情報に基づいて、スコアリング効率を表す統計を予測した機械学習モデルベイズモデルを訓練し、解釈した。
  論文  参考訳（メタデータ） (2024-03-04T03:09:25Z)
• Method and Validation for Optimal Lineup Creation for Daily Fantasy Football Using Machine Learning and Linear Programming [0.0]
  デイリー・ファンタジー・スポーツ(英: Daily fantasy Sports、DFS)は、個人選手の実際の演奏をファンタジー・ポイント(FPTS)に変換するオンライン・コンテストである。 本稿では,(1)不確実性の下でNFL選手のパフォーマンスを予測する手法の開発,(2)設定された給与上限の下でFPTSを最大化するための最適ラインアップを決定することに焦点を当てる。
  論文  参考訳（メタデータ） (2023-09-26T20:26:32Z)
• About latent roles in forecasting players in team sports [47.066729480128856]
  チームスポーツは、チームメイトと相手とのインタラクションに影響を与える重要な社会的要素を含んでいる。 RolForはロールベースのForecastingのための新しいエンドツーエンドモデルです。
  論文  参考訳（メタデータ） (2023-04-17T13:33:23Z)
• Understanding why shooters shoot -- An AI-powered engine for basketball performance profiling [70.54015529131325]
  バスケットボールは、プレイスタイルやゲームダイナミクスなど、多くの変数によって規定されている。 パフォーマンスプロファイルが様々なプレイスタイルを反映できることは重要です。 プレイヤのパフォーマンスプロファイルをタイムリーに可視化するツールを提案する。
  論文  参考訳（メタデータ） (2023-03-17T01:13:18Z)
• NBA2Vec: Dense feature representations of NBA players [0.0]
  本稿では,各プレーヤの高密度特徴表現を抽出するWord2Vecに基づくニューラルネットワークモデルであるNBA2Vecを提案する。 NBA2Vecは、2017年のNBAプレイオフシリーズの結果を正確に予測する。 NBA2Vec埋め込みの今後の応用は、プレイヤーのスタイルを特徴付けることで、プレイヤーの獲得とコーチング決定のための予測モデルに革命をもたらす可能性がある。
  論文  参考訳（メタデータ） (2023-02-26T19:05:57Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。