The use of classification and regression tree when classifying winning and losing basketball teams

DSpace/Manakin Repository

español português english

The use of classification and regression tree when classifying winning and losing basketball teams

Show full item record

Title: The use of classification and regression tree when classifying winning and losing basketball teams
Author: Gómez Ruano, Miguel Ángel; Ibáñez Godoy, Sergio José; Parejo González, Isabel; Furley, Philip
Abstract: El objetivo del presente estudio fue identificar los mejores predictores al clasificar los equipos ganadores y perdedores en el baloncesto en consideración de las variables situacionales mediante el análisis no paramétrico del árbol de clasificación y regresión (TRC). La muestra estuvo compuesta por 1,404 juegos balanceados (puntaje de diferencias: 1-14 puntos) de la Liga de Baloncesto de la EBA española que presentó una gran heterogeneidad y una distribución no paramétrica. Estos juegos se dividieron en juegos de ritmo más rápido y más lento de acuerdo con las posesiones de balón por juego (utilizando un medio k-cluster). El análisis CRT se usó para predecir qué variables relacionadas con el juego clasifican mejor los equipos ganadores y perdedores durante los juegos de ritmo más lento y más rápido. En total, este enfoque explicó el 72% de la varianza total en los juegos más lentos y el 69.3% en los juegos de ritmo más rápido. Los resultados identificaron la importancia de rebotes defensivos (100%), tiros libres exitosos (94.7%), asistencias (86.1%) y faltas cometidas (55.9%) para la clasificación de equipos ganadores y perdedores en los juegos de ritmo rápido. Por el contrario, en los juegos de ritmo lento, la mejor clasificación de los equipos ganadores o perdedores se logró mediante las siguientes variables: tiros libres exitosos (100%), rebotes defensivos (82.3%), faltas cometidas (68.4%), asistencias (66.9) %), goles de campo exitosos de 2 puntos (62.2%) y 3 puntos (61.6%). La influencia de las variables situacionales se identificó solo por la calidad del equipo en los juegos de ritmo lento. Los hallazgos actuales permiten a los entrenadores un mejor control de los juegos y la competencia.The aim of the present study was to identify the best predictors when classifying winning and losing teams in basketball in consideration of situational variables using the classification and regression tree (CRT) non-parametric analysis. The sample was composed of 1,404 balanced games (score-differences: 1-14 points) from the Spanish EBA Basketball League that presented high heterogeneity and a non-parametric distribution. These games were split into faster- and slower-paced games according to ball possessions per game (using a cluster k-means). The CRT analysis was used to predict which game-related variable/s better classified winning and losing teams during slower- and faster-paced games. In total, this approach explained 72% of the total variance in the slower- and 69.3% in the faster-paced games. The results identified importance of defensive-rebounds (100%), successful free-throws (94.7%), assists (86.1%), and fouls committed (55.9%) for the classification of winning and losing teams in the fast-paced games. Conversely, in the slow-paced games the better classification of winning or losing teams was accomplished by the following variables: successful free-throws (100%), defensive-rebounds (82.3%), fouls committed (68.4%), assists (66.9%), successful 2-point (62.2%) and 3-point field-goals (61.6%). The influence of situational variables was identified only for team quality in the slow-paced games. The present findings allow coaches for a better control of games and competition.
URI: http://hdl.handle.net/10662/8994
Date: 2017


Files in this item

Files Size Format View
1331-1441_49_1_47.pdf 1.255Mb PDF View  Thumbnail

The following license files are associated with this item:

This item appears in the following Collection(s)

Show full item record

Attribution-ShareAlike 4.0 International Except where otherwise noted, this item's license is described as Attribution-ShareAlike 4.0 International

Search DSpace


Browse

My Account

Statistics

Help

Redes sociales