2021 NBA歷史百大球員排行 - NBA

首Po賺個P幣

個人對Learning to rank略有接觸，想說從一個不同的角度切入百大排名這件。

首先找到一組權重去對球員排名本身就是非常困難的問題。像前面版友講的，有人會說得分王重要乘以2，有人會說強分區要加權，還是不是要考慮DPOY/正負值/季後賽勝率/明星賽次數...要考慮的特徵排列組合非常非常多，還要幫每個特徵選出一個權重。

所以從資料科學的角度，常用的方式就是用監督式機器學習從現有的資料裡學出權重，這種方式必須要標記的資料。舉個例子：
大家都把自己的百大排名打在下方，這樣我們可能就得到了一些樣本可以去建立回歸模型。

然而以上也只是理想中的情況，實際上還有很多問題。首先是資料標記的問題 : 一般人大概排到第十幾個球員就懶得排下去了。這時候我們可以把排序問題變成比較問題 (MJ >> Curry 之類的)，當我們有足夠的一組組的比較樣本之後，就也比較容易排出序列。

當然取得以上的資料後還會有很多問題，比方說以上的資料可能會有矛盾，又或者有反串，重複留言....之類的問題要處理。用哪些特徵也是需要鑽研的。而且最終學出來的權重也可能只是符合NBA版上對這篇文有留言的人的數據分佈而已，說不定相較於廣大群眾是反指標。

但至少我們可以透過分割資料的方式去評估這個模型的精確度，應該會比直接人為的定義權重略微符合風向。

-----
Sent from JPTT on my Google Pixel 4 XL.

--