Non-Basketball Features in the NBA: Machine Learning and SHAP Analysis of Player Contracts and Team Priorities
Notice bibliographique
Résumé
The National Basketball Association (NBA) is the world’s biggest basketball league, with 30 teams across the United States and Canada, which generates billions in annual revenue. An NBA players impact is usually determined based on performance on the court. However, off-court factors influence aspects of the NBA, such as player contracts. This study investigates how non-basketball features, such as off-court factors like Instagram followers and player loyalty, affect player contracts. By using various Machine Learning models, this study analyzed the model’s predictive results trained on a dataset containing only basketball features and compared the results on a dataset containing both basketball and non-basketball features. Furthermore, this study was assisted by the Explainable AI model SHAP to examine how the most valuable teams versus the least valuable teams in the NBA prioritized these non-basketball features. SHAP’s reliability was also assessed for this specific problem. The results showed that incorporating non-basketball features significantly improves the predictive performance of many Machine Learning models, but not Deep Learning models performance in this study. The SHAP analysis revealed that there are differences between highly valuable teams and low-value teams. Highly valuable teams pay for every feature on average more than low-value teams, and if a player were an All Star, it is more likely that this player will be paid more on a highly valuable team. The SHAP assessment test demonstrated its functionality in this case. However, in a general context, SHAP reliability cannot be proved in this study. These results highlight the role of non- basketball features in NBA salaries and offer insights into the application of explainable AI in salary prediction.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 ».