Universidad Complutense de Madrid
E-Prints Complutense

Similarity analysis to aid decision making on NBA Draft
Análisis de la similaridad para la toma de decisiones en el Draft de la NBA

Downloads

Downloads per month over past year

62872

Impacto

Downloads

Downloads per month over past year



Houghton López, Miguel Alejandro (2020) Similarity analysis to aid decision making on NBA Draft. [Trabajo Fin de Grado]

[thumbnail of HOUGHTON_LOPEZ_Similarity_Analysis_to_aid_decision_making_on_NBA_Draft_4398578_723276205.pdf]
Preview
PDF
Creative Commons Attribution Non-commercial.

3MB


Abstract

This work is based on the different statistical studies published by Mock Draft Websites and on webs that store the official statistics of the NBA players. The data associated with NBA players and teams are currently very precious since their correct exploitation can materialize in great economic benefits. The objective of this work is to show how data mining can be useful to help the scouts in this real problem. Scouts participating in the Draft could use the information provided by the models to make a better decision that complements their personal experience. This would save time and money since by simply analyzing the results of the models, teams would not have to travel around the world to find players who could be discarded for the choice. In this work, unsupervised grouping techniques are studied to analyze the similarity between players. Databases with statistics of both current and past players are used. Besides, three different clustering techniques are implemented that allow the results to be compared, adding value to the information and facilitating decision- making. The most relevant result is shown at the moment in which the shooting in the NCAA is analyzed using grouping techniques.

Resumen (otros idiomas)

Este trabajo se basa en los diferentes estudios estadísticos publicados en páginas web de predicción de Drafts de la NBA y en webs que almacenan las estadísticas oficiales de los jugadores de la NBA. Los datos asociados a los jugadores y equipos de la NBA son actualmente muy valiosos ya que su correcta explotación puede materializarse en grandes beneficios económicos. El objetivo de este trabajo es mostrar cómo la minería de datos puede ser útil para ayudar a los entrenadores y directivos de los equipos en la elección de nuevas incorporaciones. Los ojeadores de los equipos que participan en el Draft podrían utilizar la información proporcionada por los modelos para tomar una mejor decisión que la que tomarían valorando su experiencia personal. Esto ahorraría mucho tiempo y dinero ya que, simplemente analizando los resultados de los modelos, los equipos no tendrían que viajar por el mundo para encontrar jugadores que pudieran ser descartados para la elección. En este trabajo se estudian técnicas de agrupación para analizar la similitud entre jugadores. Se utilizan bases de datos con estadísticas de jugadores tanto actuales como del pasado. Además, se implementan tres técnicas de clustering diferentes que permiten comparar los resultados, agregando valor a la información y facilitando la toma de decisiones. El resultado más relevante se muestra en el momento en el que se analiza el tiro en liga universitaria mediante técnicas de agrupación.

Item Type:Trabajo Fin de Grado
Additional Information:

Trabajo de Fin de Grado en Ingeniería Informática, Facultad de Informática UCM, Departamento de Sistemas Informáticos y Computación, Curso 2019/2020

Directors:
Directors
García Ruiz, Yolanda
Uncontrolled Keywords:Draft NBA, Basketball, Clustering analysis, Chernoff faces, R programming
Palabras clave (otros idiomas):Draft NBA, Baloncesto, Análisis clúster, Caras de Chernoff, Programación en R
Subjects:Sciences > Computer science
Título de Grado:Grado en Ingeniería Informática
ID Code:62872
Deposited On:04 Nov 2020 11:20
Last Modified:04 Nov 2020 11:20

Origin of downloads

Repository Staff Only: item control page