今天(11/03)给各位分享篮球高阶数据指什么区别的知识，其中也会对篮球高阶数据指什么区别进行解释，如果能碰巧解决你现在面临的问题，别忘了关注本站，现在开始吧！
问题一、为什么总有人对高阶数据嗤之以鼻？
先说结论，高阶数据是有意义的。
你可能会举例XXX球员高阶数据很好但是赛场表现一般（例如麦基，白边）来证明高阶数据无用，这个逻辑显然不成立，高阶数据本质相当于数学建模，没有任何一个领域的模型准确率是100%（篮球领域自然不例外），我们显然不能因此就说数学建模是没用的工具。高阶数据确实做不到完全还原一位球员的赛场表现，但是基础数据，战绩，荣誉等一切单一评价指标同样做不到。你可能又会告诉我应该抛下数据去看比赛，然而所谓的看比赛必然带有大量主观因素，同样一场科比的比赛，科密和科黑会给出完全相反的评价，谁也说服不了对方。所以说要想客观地评价一位球员，必须要选择多个指标，基础数据，高阶数据，球队战绩，个人与团队荣誉，教练/同事/球迷的评价都应当被纳入考量范围，因此高阶数据显然是有参考价值的，只不过价值没有大到可以直接给一位球员直接定性的程度。
我们回到高阶数据本身，我认为可以对高阶数据做一个分类：
第一类是根据基础数据加权计算而来的高阶数据，例如经典的PER，WS和GMSC。这些高阶数据的参考价值的确非常有限，其问题和得分篮板助攻这些基础数据一样，可以刷，例如不防守刷篮板，垃圾时间刷分，只打easyball有难度的进攻甩锅队友等。基础数据刷上去了，高阶数据自然也就水涨船高，这也是大家为什么不信任第一类高阶数据。
因此不少业内人士也提出了基于赛场影响力的第二类高阶数据，我不只在乎你得了几分抢了几个篮板，更在乎你有没有让球队变得更好（多赢分，少输分，多赢比赛）。这类高阶数据统统基于正负值，因为大样本下，正负值是一个很难被刷高的数据，除非你能逼迫对面的球员在自己上场的时候故意放水输分，没有任何一位运动员有这样的权力，因此相比于第一类高阶数据，基于正负值的高阶数据从逻辑上而言有更强的说服力（前提是样本量够大）。
正负值作为基础数据其本身的问题大家都知道，假如在你上场时球队赢了10分球，原因可能是你强，也可能是队友强或者对手弱，没法直接比较，因此要把正负值拆分，到底这10分球里几分是靠你。为了解决这个问题数据分析师发明了具有开创性的高阶数据RAPM，意在体现每一位球员在赢分或输分中贡献了多少。RAPM是回归出来的，具体算法有兴趣的朋友可以自行研究，网上资料很多。
从逻辑上来讲，一个弱鸡球员想刷高RAPM只有一个办法，就是永远绑定队内的大腿，大腿上我就上，大腿下我就下，这位弱鸡球员的RAPM就和大腿一样了，但是因为大腿和弱鸡所获得的上场时间一般不会相同（教练让库里上40分钟，不大可能让怀斯曼跟着也上40分钟），所以RAPM还是有不小说服力的。
当然了RAPM并不完美，所以在此之上诞生了RPM，BPM，EPM，LEBRON，RAPTOR，PIPM等高阶数据，各有各的考虑，有的改变让模型的准确率提高了，有的改变反而效果很差。
还是那句话，至少到目前为止，没有任何一个单一评价指标是完美的（未来也许会有），要相对客观地评价一个球员必须尽可能地采用多个指标。
另外不要因为自己喜欢的球星高阶数据低就说高阶数据没用（这跟当年贴吧里经典的命中率溢出论/MVP溢出论/效率溢出论一样令人忍俊不禁），而是应当思考模型的漏洞在哪里并想办法改进模型，或者接受自己喜欢的球星有可能并没有那么优秀的事实。
问题二、为什么总有人对高阶数据嗤之以鼻？
因为所谓的高阶数据背离的数据的初衷。
数据的价值在于全方位、立体、动态、多维度地反应比赛实际。
如果说篮球比赛应该有的高阶数据有50项，现有的高阶数据30%都不到。
我随便就举一个吧:空间占用率。
库里的存在明显扩大了防守一方需要防守的球场面积，小学生的挡拆逼迫对方包夹造成勇士在三分线以内4打3。
詹姆斯的挡拆需要清空篮下，外线至少3射手，整个弧顶到篮下知道一大块区域都是他的。
问题三、NBA有哪些高阶数据会影响，甚至颠覆球迷对球星的印象？
麦迪35秒13分，被称作感动上帝的男人。
张伯伦单场100分，科比单场81分。
乔丹2次三连冠。
火箭22连胜。
威斯布鲁克，场均三双。
勇士汤普森，单节37分。
高阶的数据会让教练相信你有潜力，队友关键时候把球交给你。
问题四、街头篮球高1 高2 等等都是什么意思?
高一到高四 指的都是篮板篮板的高度从高一分到高四 高四是最高的当然一般人秒不到
高四已经出了频幕大概需要弹跳63篮板104以上 才能秒
