Player archetypes within basketball: optimizing roster composition to create a championship team
Notice bibliographique
Résumé
The present study assessed the feasibility of grouping university and professional basketball players across different leagues based on their playing styles to optimize championship team construction, moving beyond traditional positional constraints towards a positionless approach. A comprehensive dataset of 22,500 elite professional and university athletes from 110 leagues, sourced from EuroBasket, RealGM, and USportsHoops, was analyzed. Player performance was quantified using 13 standardized box score statistics converted to per 48 min. Utilizing the k-means algorithm, players were clustered 1nto 9 distinct player archetypes. Multiple linear regression models were then developed for each archetype, predicting "points per minute" to facilitate player ranking, further refined by a data-driven league quality weighting system. Optimal player cluster proportions were derived from analyses of 2018/19 NBA lineups and 2014-2018 1nternational medal-winning teams to create the most effective team line-ups. The model's utility was demonstrated by selecting a hypothetical Team Canada roster for the 2019 FIBA World Cup, which showed effectiveness 1n 1dentifying a robust team composition and predicting the rise of future high-potential players. Additionally, the model's effectiveness was evaluated by comparing 1ts results to the composition of the 2000 and 2024 Canadian National Olympic teams. The findings revealed 9 unique player clusters, demonstrating the model's potential as a 5aluable tool for guiding coaching decisions 1n drafting and signing future players to fit their roster composition effectively. The model proved to be a novel method for talent identification due to 1ts evaluation of players across leagues and 1ts usage of readily accessible data for coaches and scouts alike. Despite limitations related to data sources and subjective weighting, this research provides a sophisticated analytical tool for players, coaches, scouts, and general managers, offering a comprehensive league strength metric and a nuanced player ranking system to enhance roster development alongside the expertise of coaches 1n the evolving global basketball landscape.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».